Académique Documents
Professionnel Documents
Culture Documents
THESE
DOCTORAT EN SCIENCES
Spécialité : ELECTRONIQUE
Option : ELECTRONIQUE
Par :
ABDELLICHE Fayçal
THEME
Devant le Jury :
Président M. Khamadja Professeur, Université de Constantine
Rapporteur A. Charef Professeur, Université de Constantine
Examinateurs A. Bennia Professeur, Université de Constantine
Y. Ferdi Professeur, Université de Skikda
A. Goutas Maître de Conférence "A", Université de Skikda
Année : 2011
Dédicaces
A ma glorieuse Nation,
A mes parents,
A tous ceux qui travaillent pour que cette Nation soit meilleure.
Remerciements
Cette thèse est l'occasion pour moi de remercier toutes les personnes qui ont contribué à ce
travail ainsi que celles que j'ai pues rencontrer durant ces années d'études.
Tout d'abord, je tiens à exprimer toute ma profonde reconnaissance au Professeur Abdelfatah
Charef pour m'avoir proposé ce sujet de thèse passionnant qui m'a permis de me former dans
le domaine de la recherche biomédicale. Je le remercie, aussi, de toujours m'avoir proposé de
nouvelles idées de qualité pour mon travail. Je le remercie, également, de m'avoir témoigné de
sa confiance et de son aide scientifique. Sans lui, la thèse n'aurait jamais vu le jour.
Je tiens à exprimer ma gratitude aux personnes qui ont accepté de juger ce travail :
Je remercie Monsieur le Professeur Mohamed Khamadja, de l'université de Constantine, qui
m'a fait l'honneur d'accepter de présider le jury ;
Monsieur le Professeur Abdelhak Bennia, de l'université de Constantine, a accepté de me
consacrer son temps en jugeant cette thèse. J'en suis honoré et je l'en remercie sincèrement ;
Je remercie également Monsieur le Professeur Youcef Ferdi, de l'université de Skikda, qui a
bien accepté de juger ce travail de thèse ;
Je remercie le Docteur Ahcène Goutas, de l'université de Skikda, qui a bien accepté d'être
membre du jury et de juger cette thèse ;
Je tiens également à exprimer ma plus vive reconnaissance à mon ami le Docteur Khaled
Mesghouni, du laboratoire LAGIS de l'école centrale de Lille, pour m'avoir accueilli et
accepté que je puisses travailler durant les mois de ma thèse au sein de son laboratoire.
J'adresse mes plus vifs remerciements à mon ami Larbi Koreïchi pour m'avoir invité pendant
mes séjours à Paris. Qu'il trouve ici l'expression de ma reconnaissance.
Je remercie aussi toute l'équipe du laboratoire de traitement du signal, équipe système, pour
leurs aides, serviabilités et leurs encouragements.
Mes remerciements du fond du cœur vont à ma famille qui a su me donner, sans cesse, son
soutien, son amour et l'envie d'apprendre encore plus. Je ne manquerai pas de remercier ma
très chère femme pour son soutien et son aide dans les moments difficiles. Elle était et
continuera d'être, je le sais, un soutien sans faille.
Enfin, merci à tous ceux qui m'ont aidé de près ou de loin durant ces années de recherche et
d'études, un grand merci à tous mes amis et très spécialement mon petit ami Zakaria.
Table des matières
Remerciements . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . i
Liste des figures . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . vii
Liste des tableaux . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . xi
Introduction Générale . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1
1. Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2
2. Objectif du travail . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4
3. Plan de la thèse . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4
ii
Table des matières
iii
Table des matières
iv
Table des matières
v
Table des matières
Références . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 128
vi
Liste des figures
vii
Liste des figures
viii
Liste des figures
.............
4.19. (a) signal ECG : 101.dat, (b) maxima du module du produit multi-échelle
pour 23 et 24 (cole2), (c) passage par zéro dans la TOC pour 24 (cole1) . . . . . . . . . . . . . . . 97
.............
4.20. (a) signal ECG : 102.dat, (b) maxima du module du produit multi-échelle
pour 23 et 24 (cole2), (c) passage par zéro dans la TOC pour 24 (cole1) . . . . . . . . . . . . . . . 97
.............
4.21. (a) signal ECG : 105.dat, (b) maxima du module du produit multi-échelle
pour 23 et 24 (cole2), (c) passage par zéro dans la TOC pour 24 (cole1) . . . . . . . . . . . . . . . 98
.............
ix
Liste des figures
4.22. (a) signal ECG : 108.dat, (b) maxima du module du produit multi-échelle
pour 23 et 24 (cole2), (c) passage par zéro dans la TOC pour 24 (cole1) . . . . . . . . . . . . . . . 98
.............
4.23. (a) signal ECG : 203.dat, (b) maxima du module du produit multi-échelle
pour 23 et 24 (cole2), (c) passage par zéro dans la TOC pour 24 (cole1) . . . . . . . . . . . . . . . 99
.............
4.24. Exemple de détection du complexe QRS (101.dat) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 104
4.25. Exemple de détection du complexe QRS (102.dat) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 104
4.26. Exemple de détection du complexe QRS (105.dat) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 105
4.27. Exemple de détection du complexe QRS (108.dat) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 105
4.28. Exemple de détection du complexe QRS (203.dat) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 106
4.29. (a) signal ECG : 100.dat, (b) et (c) parties réelles de TOC(ECG)
pour 23 et 24 (ccol) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 108
..........
4.30. (a) signal ECG : 101.dat, (b) et (c) parties réelles de TOC(ECG)
pour 23 et 24 (ccol) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 109
..........
4.31. (a) signal ECG : 102.dat, (b) et (c) parties réelles de TOC(ECG)
pour 23 et 24 (ccol) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 110
..........
4.32. (a) signal ECG : 105.dat, (b) et (c) parties réelles de TOC(ECG)
pour 23 et 24 (ccol) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 111
..........
4.33. (a) signal ECG : 108.dat, (b) et (c) parties réelles de TOC(ECG)
pour 23 et 24 (ccol) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 112
..........
4.34. (a) signal ECG : 203.dat, (b) et (c) parties réelles de TOC(ECG)
pour 23 et 24 (ccol) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 113
..........
4.35. Exemple de détection du complexe QRS (101.dat) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 117
.4.36.
. Exemple de détection du complexe QRS (102.dat) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 118
.4.37.
. Exemple de détection du complexe QRS (105.dat) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 118
.4.38.
. Exemple de détection du complexe QRS (108.dat) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 119
.4.39.
. Exemple de détection du complexe QRS (203.dat) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 119
..
x
Liste des tableaux
xi
Introduction générale
Introduction Générale
1
Introduction générale
1. Introduction
2
Introduction générale
3
Introduction générale
apparaissent à des bandes fréquentielles apparentes, et ont donc différentes contributions à des
échelles diverses [7]. Sous son aspect de filtre passe bande, les ondelettes sont utilisées pour
éliminer le bruit. Elles représentent, donc, un bon outil d'analyse et de traitement du signal
ECG en vue d'une détection des complexes QRS.
2. Objectif du travail
3. Plan de la thèse
Les travaux réalisés, faisant l'objet de cette thèse, sont présentés et exposés en quatre
chapitres.
Le premier chapitre est consacré à une introduction de l'électrophysiologie du cœur.
4
Introduction générale
5
Chapitre 1 Electrophysiologie cardiaque
Chapitre 1
Electrophysiologie Cardiaque
6
Chapitre 1 Electrophysiologie cardiaque
1.1. Introduction
Le cœur est un organe musculeux d’environ 250 à 350 grammes ayant une forme
pyramidale triangulaire. Il est formé de trois parois de l’intérieur vers l’extérieur :
l’endocarde, le myocarde et le péricarde. Il est situé dans la partie centrale du thorax, décalé
du coté gauche, entre la deuxième et la cinquième côte [27]. Il est cloisonné en deux parties
droite et gauche qui ne présentent pas de communication entre elles. Ces deux cœurs se
composent eux-mêmes de deux cavités : une oreillette aux parois fines et un ventricule aux
parois épaisses (Fig. 1.1).
Le cœur est une pompe qui irrigue l'organisme de sang. Ce phénomène mécanique est
périodique, il se manifeste en quatre phases : le remplissage, la contraction (systole), l'éjection
et le relâchement (diastole).
7
Chapitre 1 Electrophysiologie cardiaque
• La grande circulation qui permet d’irriguer les autres organes, elle comprend sa partie
gauche.
8
Chapitre 1 Electrophysiologie cardiaque
Le fonctionnement du cœur est automatique. Comme pour tous les muscles du corps, la
contraction du myocarde est provoquée par la propagation d’une impulsion électrique le long
des fibres musculaires cardiaques induite par la dépolarisation des cellules musculaires. Elle
prend naissance dans la partie haute de l'oreillette droite dans la région dite "nœud sinusal
SA" (a) puis se propage dans les oreillettes (b) entraînant leur contraction (systole
auriculaire). L’impulsion arrive alors au nœud auriculo-ventriculaire (AV), seul point de
passage électrique entre les oreillettes et les ventricules, une courte pause est alors introduite
(c), juste avant la propagation dans les fibres constituant le faisceau de His. Au passage de
l’impulsion électrique (d), les ventricules se contractent à leur tour (systole ventriculaire) (e).
9
Chapitre 1 Electrophysiologie cardiaque
Après la diastole (décontraction du muscle), les cellules se repolarisent (f) (Fig. 1.2). Ainsi,
Le cycle du battement cardiaque est terminé et le cœur est près pour un nouveau battement.
10
Chapitre 1 Electrophysiologie cardiaque
11
Chapitre 1 Electrophysiologie cardiaque
• Onde T : repolarisation des ventricules. Son amplitude est inférieure à 2 mV. L'onde T
normale a une amplitude plus faible que le complexe QRS ;
• Onde U : repolarisation des fibres de Purkinje. C'est une onde positive qui suit l'onde T,
visible essentiellement en quelques signaux ECG, dont la signification est discutable ;
• Intervalle RR : fréquence des battements cardiaques. Il correspond au délai entre deux
dépolarisations ventriculaires. C'est cet intervalle qui permet de calculer la fréquence
cardiaque ;
• Segment PR : pause du noeud AV. Le segment PR correspond au délai entre la fin de la
dépolarisation des oreillettes et le début de celle des ventricules. C'est le temps pendant lequel
l'onde de dépolarisation est bloquée au niveau du nœud AV. Il se mesure de la fin de l'onde P
jusqu'au début du QRS. Sa durée est de 0,03 à 0,04 seconde ;
• Intervalle PR : durée de conduction auriculo-ventriculaire. L'intervalle PR correspond au
délai entre le début de la dépolarisation des oreillettes et celle des ventricules. C'est le temps
de propagation de l'onde de dépolarisation jusqu'aux cellules myocardiques ventriculaires ;
• Intervalle QT : durée de systole ventriculaire. Cet intervalle correspond au début de
l'excitation des ventricules jusqu'à la fin de leur relaxation ;
• Segment ST : durée de stimulation complète des ventricules. Il correspond à la phase
pendant laquelle les cellules ventriculaires sont toutes dépolarisées, le segment est alors
isoélectrique.
12
Chapitre 1 Electrophysiologie cardiaque
13
Chapitre 1 Electrophysiologie cardiaque
Le corps humain étant électriquement conducteur, les potentiels d'actions générés lors de
l'activité électrique cardiaque peuvent alors être recueillis par des électrodes placées sur la
peau. Chaque paire d'électrodes constitue une dérivation. L'enregistrement de cette activité
électrique du cœur, sur un plan frontal (par les dérivations des membres) et sur un plan
horizontal (par les dérivations précordiales), est un électrocardiogramme (ECG).
Les électrodes peuvent être utilisées selon deux modes : l'un dit bipolaire où le potentiel d'une
électrode est soustrait à un autre, et l'autre dit unipolaire où le potentiel d'une électrode est pris
par rapport à un point de référence (la masse). Ces électrodes doivent être convenablement
disposées et adaptées au circuit adjacent pour détecter le signal ECG qui change de
morphologie en fonction de ces positions.
Toute activité électrique se dirigeant vers l'électrode est enregistrée par une déflexion positive
et toute activité s'en éloignant est enregistrée par une déflexion négative. Enfin, Les
différentes positions sont normalisées [27-28].
14
Chapitre 1 Electrophysiologie cardiaque
D1
D2 D3
15
Chapitre 1 Electrophysiologie cardiaque
système de Wilson. Ces dérivations mesurent la différence de potentiel entre chacun des trois
points et le potentiel moyen des deux autres. On obtient ainsi des déflexions augmentées d’un
facteur 1,5 par rapport aux dérivations de Wilson (Fig. 1.7).
1 2
3
4 5 6
Fig. 1.8. Position des électrodes pour les dérivations unipolaires précordiales.
16
Chapitre 1 Electrophysiologie cardiaque
17
Chapitre 1 Electrophysiologie cardiaque
18
Chapitre 1 Electrophysiologie cardiaque
19
Chapitre 1 Electrophysiologie cardiaque
Amplitude (mV)
Temps (s)
Amplitude (mV)
Temps (s)
20
Chapitre 1 Electrophysiologie cardiaque
Amplitude (mV)
Temps (s)
Ainsi, les blocs cardiaques sont dus à un défaut de conduction de l'onde de dépolarisation à
travers le myocarde et les arythmies sont générées par un foyer ectopique prenant le relais ou
supplantant le noeud sinusal. Ces pathologies ne sont pas exclusives, un patient peut être
atteint d'arythmies et de blocs cardiaques.
- Blocs cardiaques : ils sont dus à une rupture de conduction du myocarde différencié qui
altère la dépolarisation du myocarde. Ces ruptures peuvent être plus ou moins sévères :
freinantes (allongement du temps de parcours), intermittentes (un stimulus sur 2 ou 3 est
conduit) ou complète (aucune conduction). On peut citer : le bloc sino-auriculaire (bloc SA),
les blocs auriculo-ventriculaires (BAV) et les blocs de branche qui sont dus au blocage de la
dépolarisation dans une des branches du faisceau de His. Un bloc dans l'une ou l'autre branche
provoque un retard dans la dépolarisation du ventricule auquel elle appartient. La
dépolarisation des ventricules est désynchronisée et le complexe QRS est élargi.
- Arythmies : elles relèvent de l'entrée en jeu d'un foyer ectopique qui se situe dans
n'importe quelle portion du cœur et dont la localisation peut être auriculaire, jonctionnelle
(entre oreillettes et ventricules) ou ventriculaire. On peut mentionner les arythmies
supraventriculaires : tachycardie supraventriculaire (TSV), fibrillation auriculaire (FA) et les
21
Chapitre 1 Electrophysiologie cardiaque
Amplitude (mV)
Temps (s)
22
Chapitre 1 Electrophysiologie cardiaque
1.7. Conclusion
23
Chapitre 2 Les ondelettes : définitions et propriétés
Chapitre 2
24
Chapitre 2 Les ondelettes : définitions et propriétés
2.1. Introduction
+∞
Analyse : X(ω) = ∫ x(t )exp(− jωt )dt
−∞
(2.1)
+∞
1
2π −∫∞
Synthèse : x (t ) = X(ω) exp( jωt )dω (2.2)
Mais, l’analyse de Fourier propose une approche globale du signal, les intégrations sont faites
de moins l’infini à plus l’infini, et les aspects temporels de x(t) disparaissent dans X(ω). Les
parties transitoires des signaux sont quasiment impossibles à détecter à l'aide de X(ω). La
première solution qui vient naturellement à l’esprit est de limiter le domaine d’intégration
temporel à l’aide d’une fonction "fenêtre" que l’on pourra glisser pour localiser l'information
dans le signal ; on obtient ainsi la transformée de Fourier à fenêtre glissante (TFFG) [31-34] :
25
Chapitre 2 Les ondelettes : définitions et propriétés
+∞
X(τ, ω) = ∫ x(t )g(t − τ)exp(− jωt )dt
−∞
(2.3)
où x est le signal à analyser et g une fonction "fenêtre" appropriée centrée sur τ. En fait, cette
intégrale effectue le calcul de la transformée de Fourier de la portion du signal x(.)g(.-τ) à τ
fixé, ses coefficients indiquent la valeur de la fréquence f du signal x(t) à l'instant τ. Malgré
cela, ces derniers ne peuvent décrire le contenu du signal strictement à l'instant τ et à la
fréquence f, car la fenêtre d'analyse g(t-τ) est caractérisée par sa localisation en temps
(mesurée par ∆t) et sa localisation en fréquence (mesurée par ∆f). Une localisation temps-
fréquence idéale, infiniment précise (∆t = 0 et ∆f = 0) est interdite par le principe d'incertitude
d'Heisenberg [35], qui stipule que la résolution conjointe temps-fréquence est bornée
inférieurement :
1
∆t ⋅ ∆f ≥ (2.4)
4π
Gabor [34] a montré que seules les fenêtres dont l'enveloppe est gaussienne, qui porte le nom
de gaborettes, vérifient l'égalité :
1
∆t ⋅ ∆f = (2.5)
4π
26
Chapitre 2 Les ondelettes : définitions et propriétés
f1 ∆f
∆t
f0 ∆f
∆t
t0 t1 t
Plus nous rendons la fenêtre étroite plus la résolution de temps est meilleure, et plus
l‘hypothèse de stationnarité est meilleure, mais plus pauvre la résolution de fréquence. De ce
fait, le constat qui découle de tout ceci est qu'il faut faire varier la taille de la fenêtre d'analyse
pour pouvoir agir pour toute une gamme de résolutions temporelles simultanément. C'est
justement le principe de la transformation en ondelettes.
2.3.1. Définitions
Soit ψ une fonction choisie suffisamment régulière et bien localisée. Cette fonction ψ est
appelée ondelette si elle vérifie la condition d'admissibilité suivante [31] :
27
Chapitre 2 Les ondelettes : définitions et propriétés
2
+∞
Ψ (ω)
Cψ = ∫
−∞
ω
dω < +∞ (2.6)
+∞
∫ ψ(t ) dt = 0
−∞
(2.8)
et montre que l'ondelette doit être à moyenne nulle. C'est une condition suffisante
d'admissibilité beaucoup plus simple à vérifier. L'ondelette est donc une fonction à largeur
temporelle finie (fenêtre temporelle) possédant un caractère oscillatoire. On est donc bien en
présence d'une petite onde : une ondelette.
Cette condition minimale est souvent renforcée en exigeant que l'ondelette ait (m + 1)
moments nuls, c'est-à-dire, vérifie l'équation :
+∞
∫ t ψ(t ) dt = 0
k
pour k = 0,…,m. (2.9)
−∞
Pour fixer les idées, disons qu'une ondelette oscille, pendant un certain temps, comme une
onde et se localise grâce à un amortissement. L'oscillation d'une ondelette se mesure par le
nombre de moments nuls qui nous indiquent que l'information du signal peut être concentrée
dans quelques coefficients d'ondelettes, cet aspect est utile dans la compression et la détection
des singularités.
28
Chapitre 2 Les ondelettes : définitions et propriétés
A partir de cette unique ondelette ψ (appelée ondelette mère), on construit par translation et
dilatation, une famille de fonctions qui sont les atomes de base (souvent appelées ondelettes
filles), elles sont de forme constante, mais de taille variable (Fig. 2.2 et 2.3) :
1 t−b
ψ a ,b (t ) = ψ (2.10)
a a
29
Chapitre 2 Les ondelettes : définitions et propriétés
Ces fonctions définissent l'espace bidimensionnel dans lequel l'information du signal est
représentée comme le plan temps-échelle [33]. Quand l'échelle augmente, le support temporel
de l'ondelette croît, tandis que le support fréquentiel décroît inversement :
∆t ψ a = a ⋅ ∆t ψ
(2.11)
∆f ψ a = ∆f ψ a
∆t ψ ⋅ ∆f ψ = ∆t ψ ⋅ ∆f ψ
a a
(2.12)
Mais, ceux-ci se déforment et s'allongent le long de l'axe des temps et des fréquences (Fig.
2.4). Ce mécanisme représente la richesse de l'analyse temps-échelle. Il permet, à une échelle
petite, de réaliser un examen temporel précis du signal correspondant aux fréquences hautes.
Bien au contraire, les basses fréquences sont scrutées avec une très forte résolution
fréquentielle, mais, leurs instants d'occurrence sont moins précis.
2.3.2.2. Similarité
Toutes les ondelettes qui appartiennent à la même famille doivent être similaires, c’est à
dire se déduire les unes des autres par combinaison linéaire de translations et de dilatations.
30
Chapitre 2 Les ondelettes : définitions et propriétés
dilatation en fréquence
f1 ∆f/a1
dilatation en temps
f0 ∆f/a2 contraction
en fréquence
a2∆t
t0 t1 t
2.3.2.3. Symétrie
On souhaite parfois que l'ondelette présente des propriétés de symétrie temporelle afin
d'éviter le déphasage dans la transformée en ondelettes [36].
2.3.2.4. Orthogonalité
Cette propriété est à l'origine de la popularité des ondelettes qui offrent des bases
d'ondelettes orthogonales et non redondantes. Cela conduit à une décomposition unique [36].
2.3.2.5. Régularité
Une ondelette doit être suffisamment régulière car c'est la principale contribution des
ondelettes dans le domaine du codage. Elle agit sur la qualité de la reconstruction du signal. Une
ondelette est dite régulière si elle est très lisse et on peut l'approximer localement par un
polynôme. L'ordre de régularité d'une ondelette est égal au nombre de ses moments nuls [36].
31
Chapitre 2 Les ondelettes : définitions et propriétés
+∞
WT(a , b ) = ∫ x(t )ψ (t )dt
*
a ,b (2.13)
−∞
Le signal x(t) est alors décrit par ses coefficients d'ondelettes WT(a,b) qui mesurent les
fluctuations, à l'échelle "a", du signal x(t). L'ondelette ayant été déplacée pour être centrée sur
b, qui est le point autour duquel l'analyse se fait, a est le paramètre d'échelle qui décide de la
finesse de l'analyse ; plus a est grand, plus ψa(t) est dilatée, donc plus l'analyse se fait sur une
large zone de x(t). Ainsi, de par ses propriétés de dilatation-contraction et de translation, la
transformée en ondelette est caractérisée dans le plan temps-échelle par une fenêtre dont la
32
Chapitre 2 Les ondelettes : définitions et propriétés
largeur diminue lorsqu'on se focalise sur les structures de petite échelle (hautes fréquences) ou
s'élargit lorsqu'on s'intéresse au comportement à grande échelle (basses fréquences). Cette
capacité d'adaptation en fonction de l'échelle d'analyse lui a valu la dénomination de
"microscope mathématique". On peut voir la transformée en ondelettes continue comme un
produit de convolution pour une échelle "a" fixée :
+∞
WT(a , b ) = ∫ x(t )ψ (t )dt = x * ψ
* *
a ,b a (2.14)
−∞
Où l'on a :
1 * t
ψ*a (t ) = ψ − (2.15)
a a
Comme ψ(0) = 0 (car ψ est de moyenne nulle), on peut interpréter Ψ(ω) comme la fonction
de transfert d’un filtre passe-bande. En utilisant les propriétés de translation et de changement
d’échelle de la transformation de Fourier, la transformée de Fourier de ψa(t) peut s’écrire :
Par conséquent, la convolution (2.14) calcule la transformée en ondelettes d’un signal x(t)
avec des filtres passe-bande dilatés.
2.3.3.2. Reconstruction
La condition d'admissibilité donnée par l'équation (2.6) garantit la possibilité de calculer
la transformée inverse. En effet, de même que pour la transformée de Fourier et la
transformée de Fourier à fenêtre glissante, on dispose, sous certaines conditions, d'une
formule inverse pour la transformée en ondelettes [31]. La formule de reconstruction est
donnée par :
+∞ +∞
1 dadb
x (t ) =
Cψ ∫ ∫ WT(a, b) ⋅ ψ (t ) a
−∞ −∞
a ,b 2 (2.17)
Cette possibilité reste théorique car le calcul n’est possible que numériquement et sa
convergence peut-être très lente.
33
Chapitre 2 Les ondelettes : définitions et propriétés
−j
(
ψ j,k (t ) = a 0 2 ψ a 0− jt − kb 0 ) (2.18)
avec a0 > 1 et b0 > 0 fixés et j, k ∈ Z. Cette discrétisation attribue des valeurs à l'échelle a sur
une échelle géométrique avec des paramètres de translation qui lui sont proportionnels :
a = a 0j et b = kb 0a 0j (2.19)
−j
ψ j,k (t ) = 2 2 (
ψ 2− j t − k ) (2.20)
Cependant, on trouve, très souvent dans la littérature, une transformée en ondelettes dyadique
où seul le paramètre d’échelle est échantillonné selon une suite dyadique {2j} j∈Z, et le
paramètre b reste une variable continue [31]. Une telle transformée, pour un signal x(t), peut
s'écrire en utilisant l'équation (2.14) :
+∞
1 t−b
(
WT 2 , b =j
) ∫ x(t )ψ
*
dt
2j
(2.21)
2j −∞
34
Chapitre 2 Les ondelettes : définitions et propriétés
1
ϕ j,n (t ) = (
ϕ 2− j t − n ) (2.22)
2j
Cette fonction est telle que :
1 si n = n ′
〈 ϕ j,n , ψ j,n′ 〉 = 0 et 〈 ϕ j,n , ϕ j,n′ 〉 = δ n ,n′ = ∀ n, n ' (2.23)
0 si n ≠ n ′
ce qui révèle des propriétés d'orthogonalité avec ses translatées et avec l'ondelette associée.
Cependant, et dans ce cas là, on peut transformer un signal en ondelettes sans ondelettes ni
fonction d'échelle, on n'a besoin que de filtres discrets. Ils sont caractéristiques de l'ondelette
et de sa fonction d'échelle et la recherche de l'ondelette se ramène à la recherche de filtres. On
réalise avec ces filtres complémentaires (passe bas et passe haut) des produits de convolution
avec le signal. Le cadre d'analyse de ces ondelettes, qui s'expriment à l'aide de filtres discrets,
est considérablement développé, et nous disposons de tout un jeu de théorèmes reliant les
propriétés des ondelettes et celles des filtres discrets [31]. En définitive, la transformée en
ondelette discrète peut être orthogonale ou biorthogonale. Toutefois, ce type de transformée
est loin de notre objectif, nous ne nous étendrons donc pas plus sur ce modèle d’analyse.
35
Chapitre 2 Les ondelettes : définitions et propriétés
maximum (resp. minimum) en x0 ∈ I s'il existe V ⊂ I, un voisinage de x0, tel que f(x0) ≥ f(x)
(resp. f(x0) ≤ f(x)) pour tout x dans V (Fig. 2.5).
En module, l'expression maxima locaux s'explique par les modules max et désigne, le plus
souvent, les "maxima du module" de la transformée en ondelettes.
2.3.7. Scalogramme
Afin de permettre une interprétation graphique aisée, on définit la fonction |WT(a,b)|2,
appelée scalogramme (module au carré des coefficients ondelettes). Elle représente la densité
d'énergie du signal pour chaque échelle a et position b [35]. Ainsi, la visualisation sous forme
de carte d’énergie ou carte temps-échelle se fait par le calcul de cette grandeur dans le plan
temps-échelle. Les coefficients en ondelettes sont colorés suivant un code défini.
36
Chapitre 2 Les ondelettes : définitions et propriétés
2 −0, 25 −t 2
ψ (t ) = π (1 − t )e 2
(2.24)
3
37
Chapitre 2 Les ondelettes : définitions et propriétés
Ondelettes de Daubechies db
Symlets sym
Coiflets coif
db, haar, sym, coif bior meyr, btlm morl fbsp, cmor
38
Chapitre 2 Les ondelettes : définitions et propriétés
Elle oscille très peu comme on peut le voir sur son graphe représenté dans la figure 2.6. Elle
est symétrique, ce qui permet de ne pas introduire de déphasage dans la transformée en
ondelettes. Elle est particulièrement adaptée à la détection des discontinuités.
0.8
0.6
0.4
0.2
-0.2
-0.4
-8 -6 -4 -2 0 2 4 6 8
−t2
ψ (t ) = Ce 2 ⋅ cos(5t ) (2.25)
où C est une constante de normalisation pour la reconstruction. Son graphe est représenté dans
la figure 2.7. Elle oscille beaucoup plus que le chapeau mexicain.
39
Chapitre 2 Les ondelettes : définitions et propriétés
0.8
0.6
0.4
0.2
-0.2
-0.4
-0.6
-0.8
-1
-8 -6 -4 -2 0 2 4 6 8
2
f (p ) = 1 (2.27)
40
Chapitre 2 Les ondelettes : définitions et propriétés
1.5
0.5
-0.5
-1
-5 -4 -3 -2 -1 0 1 2 3 4 5
41
Chapitre 2 Les ondelettes : définitions et propriétés
1 1
0.5 0.5
0 0
-0.5 -0.5
-1 -1
-5 0 5 -5 0 5
Partie réelle Partie imaginaire
0.8 4
0.6 2
0.4 0
0.2 -2
0 -4
-5 0 5 -5 0 5
Module Phase
Fig. 2.9. Ondelette dérivée huitième d’une fonction gaussienne complexe : cgau8.
La partie réelle de l'ondelette coïncide avec l'ondelette réelle correspondante, à une constante
de normalisation près.
2
−t
1
ψ (t ) = e j2 πf c t ⋅ e fb
(2.29)
πf b
42
Chapitre 2 Les ondelettes : définitions et propriétés
Elle dépend de deux paramètres : fb est un paramètre de fenêtre désigné par Nb dans le nom
court et fc la fréquence d'oscillation de l'ondelette désignée par Nc. La figure 2.10 présente les
parties réelle et imaginaire ainsi que le module et la phase de cette ondelette pour Nb = 1,5 et
Nc = 1.
1 1
0.5 0.5
0 0
-0.5 -0.5
-1 -1
-10 -5 0 5 10 -10 -5 0 5 10
Partie réelle Partie imaginaire
0.8 4
0.6 2
0.4 0
0.2 -2
0 -4
-10 -5 0 5 10 -10 -5 0 5 10
Module Phase
m
f πf t
ψ (t ) = b sin c b ⋅ e j2 πf c t (2.30)
m m
43
Chapitre 2 Les ondelettes : définitions et propriétés
1 1
0.5
0.5
0
-0.5
-0.5 -1
-20 -10 0 10 20 -20 -10 0 10 20
Partie réelle Partie imaginaire
1 4
0.8
2
0.6
0
0.4
-2
0.2
0 -4
-20 -10 0 10 20 -20 -10 0 10 20
Module Phase
44
Chapitre 2 Les ondelettes : définitions et propriétés
1 0 ≤ t ≤ 0,5
ψ (t ) = − 1 0,5 ≤ t ≤ 1 (2.31)
0 sin on
1 0 ≤ t ≤ 1
ψ (t ) = (2.32)
0 sin on
1
1
0.8
0.6
0.8
0.4
0.2
0.6
0
-0.2
0.4
-0.4
-0.6
0.2
-0.8
-1
0
0 0.2 0.4 0.6 0.8 1 0 0.2 0.4 0.6 0.8 1
Hormis db1, les ondelettes de cette famille n'ont pas d'expression explicite et sont
asymétriques. Cependant, leur régularité augmente avec l'ordre et permettent une analyse
orthogonale. Les ondelettes de cette famille pour les ordres 2, 3, 4 et 5 sont présentées dans la
figure 2.13.
45
Chapitre 2 Les ondelettes : définitions et propriétés
2 2
1 1
0 0
-1 -1
-2 -2
0 1 2 3 0 2 4 6
db2 db3
2 2
1
1
0
0
-1
-1 -2
0 2 4 6 8 0 5 10
db4 db5
1.5 1.5
1 1
0.5 0.5
0 0
-0.5 -0.5
-1 -1
-1.5 -1.5
-2 -2
0 1 2 3 0 2 4 6
sym2 sym3
46
Chapitre 2 Les ondelettes : définitions et propriétés
2.5 2
2
1.5
1.5
1
1
0.5 0.5
0
0
-0.5
-0.5
-1
-1.5 -1
0 2 4 6 0 5 10 15
coif1 coif2
Comme on peut le voir, les coiflets sont bien plus symétriques que les ondelettes de
Daubechies dbN.
47
Chapitre 2 Les ondelettes : définitions et propriétés
1.5 3
2.5
1
2
1.5
0.5
1
0 0.5
0
-0.5
-0.5
-1
-1
-1.5
-1.5 -2
0 2000 4000 6000 0 5000 10000
bior1.3 bior2.4
1.5
0.5
-0.5
-1
-8 -6 -4 -2 0 2 4 6 8
48
Chapitre 2 Les ondelettes : définitions et propriétés
2.5. Conclusion
49
Chapitre 3 Introduction aux ondelettes fractionnaires
Chapitre 3
50
Chapitre 3 Introduction aux ondelettes fractionnaires
3.1. Introduction
Le choix des ondelettes mères est un problème important, mais très peu d'auteurs ont
abordé ce sujet. Il n'y a pas d'ondelette adaptée à tous les cas. Pour certaines applications, il
arrive que l'on ne trouve pas, parmi les ondelettes connues, une ondelette convenable. Il est
alors naturel d'essayer de construire une nouvelle ondelette adaptée au problème spécifique à
traiter. Ce problème ne présente pas une grande difficulté, surtout pour le cas continu, car les
conditions requises pour obtenir de telles ondelettes sont relativement faibles, presque
n'importe quelle fonction d'intégrale nulle peut convenir (Eq. 2.8). Prenons l'exemple de la
gaussienne où toutes ses dérivées (gausN) satisfont la condition suffisante d'admissibilité et
peuvent être considérées comme des ondelettes [34]. Dans notre travail, on part de la
distribution de Cole-Cole donnée par [25,40] :
1 sin (1 − m )π
g (t ) =
2π cosh (mt ) − cos(1 − m )π
(3.1)
51
Chapitre 3 Introduction aux ondelettes fractionnaires
1 + ∞ g (τ )
H(s ) = =∫ dτ (3.2)
1 + (sτ0 )
m −∞ 1 + sτ
Avec : s = jω est la fréquence complexe. Cette fonction irrationnelle est également la fonction
de transfert de l'équation différentielle linéaire fondamentale d'ordre fractionnaire, 0 < m < 1,
donnée par [41] :
d m x (t )
(τ0 ) m
+ x (t ) = e (t ) (3.3)
dt m
Dans ce contexte, le paramètre m est utilisé pour modifier la forme de la distribution de Cole-
Cole (Fig. 3.1), et donc des ondelettes associées. La fonction de Cole-Cole n'est pas à
moyenne nulle, mais ses dérivées, en revanche, le sont. Elles vérifient donc la condition
d'admissibilité (Eq. 2.8) et sont, donc, toutes des ondelettes. De plus, pour l’analyse du signal,
on peut extraire des ondelettes à valeurs complexes de cette même fonction, dans la mesure
où l'on peut ainsi étudier séparément le module, les parties réelles et imaginaires des
coefficients d’ondelettes et la phase, pour la détection des singularités et des passages par zéro
(zero-crossings) [38,42]. En effet, comme les signaux traités sont réels et l'ondelette est à
valeurs complexes, les coefficients d’ondelettes obtenus seront à valeurs complexes.
d n g (t )
ψ n (t ) = (3.4)
dt n
On a appelé ces ondelettes "coleN", où N est l'ordre de la dérivée. Ces différentes dérivées
(1ère, 2ème, 3ème, …) satisfont bien la condition d'admissibilité. La fonction de Cole-Cole est
ses trois premières dérivées sont représentées sur la figure 3.2 pour m = 0,7. La transformée
de Fourier des ondelettes est déduite de celle de Cole-Cole, G(ω), selon l’équation :
52
Chapitre 3 Introduction aux ondelettes fractionnaires
0.5
m = 0,8
m = 0,5
0.25
m = 0,2
0
-8 0 8
0.5
0.4
0
0.2
-0.5
0
-10 -5 0 5 10 -10 -5 0 5 10
(a) : Cole-Cole (b) : cole1
20
2
10
1
0
0 -10
-1 -20
-10 -5 0 5 10 -10 -5 0 5 10
(c) : cole2 (d) : cole3
Fig. 3.2. (a) Fonction de Cole-Cole. (b), (c) et (d) ondelettes cole1, cole2 et cole3
(dérivées 1ère, 2ème et 3ème respectivement).
53
Chapitre 3 Introduction aux ondelettes fractionnaires
Ψ (ω) = G (ω − ωc ) (3.7)
La figure 3.3 présente les parties réelle et imaginaire ainsi que le module et la phase de cette
ondelette pour fc = 0,5 et m = 0.8.
0.6 0.4
0.4 0.2
0.2 0
0 -0.2
-0.2 -0.4
-10 -5 0 5 10 -10 -5 0 5 10
Partie réelle Partie imaginaire
0.5 4
0.4
2
0.3
0
0.2
-2
0.1
0 -4
-10 -5 0 5 10 -10 -5 0 5 10
Module Phase
Fig. 3.3. Ondelette fractionnaire complexe de Cole-Cole associée à m = 0.8 et fc = 0,5: ccol.
54
Chapitre 3 Introduction aux ondelettes fractionnaires
On peut remarquer sur la figure précédente que les parties réelle et imaginaire de cette
ondelette complexe satisfassent la condition d'admissibilité et représentent effectivement des
ondelettes qu'on peut utiliser dans l'analyse des signaux. De plus, on peut percevoir aussi que
le maximum de la partie réelle correspond à un passage par zéro dans la partie imaginaire, et
cela pourra être bénéfique dans la mesure où on peut utiliser les deux ondelettes
simultanément en détection des maxima du module.
En analyse continue par ondelettes, la décomposition par niveau d'échelle fournit une
technique de détection de forme et constitue ainsi un outil de zoom. En voici la raison : si un
signal, en un point singulier à t0 inconnu et à une échelle a0 inconnue, coïncide avec
l'ondelette analysante ψ((t − t 0 ) a 0 ) , le coefficient d'ondelette associé est grand et permet
d'estimer t0 et a0.
Ainsi, pour des signaux physiques présentant des variations très rapides, des sauts, des
marches, bref des discontinuités, l’analyse en ondelettes est bien adaptée, car l’ondelette va
permettre de détecter ces singularités et de les analyser [34,38]. En effet, les singularités d'un
signal se manifestent sur les coefficients de la transformée en ondelettes continue par une
amplitude importante et par une décroissance des valeurs de ces coefficients avec l’échelle de
résolution, alors que des coefficients d’ondelettes nuls indiquent que le signal est lisse. Pour
présenter les bonnes propriétés, en analyse continue, des ondelettes fractionnaires construites
dans l'analyse des signaux, nous allons nous concentrer, par des exemples, sur les trois aspects
suivants [43] :
- repérer une discontinuité dans un signal ;
- détecter une singularité ou plus dans un signal ;
- repérer les complexes QRS dans le signal ECG.
Afin de permettre une interprétation graphique aisée, on définit la fonction |WT(a,b)|2,
appelée scalogramme (module au carré des coefficients ondelettes), et qui représente la
densité d'énergie du signal pour chaque échelle a et position b [35]. Ainsi, la visualisation
sous forme de carte d’énergie ou carte temps-échelle se fait par le calcul du scalogramme dans
le plan temps-échelle. Les coefficients en ondelettes élevés sont de couleur claire par
opposition aux coefficients plus faibles de couleur foncée. Les points singuliers du signal se
manifesteront par des cônes visibles indiquant une sérieuse irrégularité du signal.
55
Chapitre 3 Introduction aux ondelettes fractionnaires
Pour une éventuelle comparaison, on utilisera également les deux ondelettes dérivée première
et deuxième de la gaussienne, appelées respectivement gaus1 et gaus2 ; ainsi que l'ondelette
de Morlet complexe, cmor, pour le cas complexe. L‘ondelette gaus2 est aussi appelée chapeau
mexicain et est désignée par mexh.
56
Chapitre 3 Introduction aux ondelettes fractionnaires
0.5
0
0 0.2 0.4 0.6 0.8 1
0.5
-0.5
-1
0 0.2 0.4 0.6 0.8 1
20
10
0.5
0
0 0.2 0.4 0.6 0.8 1
0.5
-0.5
-1
0 0.2 0.4 0.6 0.8 1
20
10
57
Chapitre 3 Introduction aux ondelettes fractionnaires
0.5
0
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1
Partie réelle de WT(a,b)
30
Echelle a
20
10
20
10
20
10
0.5
0
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1
Partie réelle de WT(a,b)
30
Echelle a
20
10
20
10
20
10
58
Chapitre 3 Introduction aux ondelettes fractionnaires
2
f (t ) = e −128(t − 0.5 ) − 2 t − 0.8
0.6 0.2
− 2 t − 0.2 − At − B (3.8)
Où A et B sont telles que : f(0) = f(1) = 0. Cette fonction est donc très régulière sauf en
ces deux points (Fig. 3.12). On effectue une analyse pour les échelles variant de 2 à 32
avec l'ondelette mexh et l'ondelette fractionnaire cole2. On remarque sur les figures 3.12
et 3.13 qu'en dehors des points x 1 et x 2, rien n'est décelable aux petites échelles dans
cette zone qui ne contient pas de singularités. Le phénomène visible est le reflet des
changements d'inflexion de la courbe. Par contre, aux points de singularités, se
manifeste l'effet de cône, dès les petites échelles, de sommets x 1 = 0,2 et x 2 = 0,8 et se
propage aux grandes échelles. Ceci est aussi visible, aux échelles a = 2 et a = 32, sur les
coefficients d'ondelettes WT(a,b).
Comme précédemment, en appliquant la transformée en ondelettes complexe, les figures 3.14
et 3.15 révèlent des effets identiques au cas réel sur les cartes temps-échelle.
59
Chapitre 3 Introduction aux ondelettes fractionnaires
Palier
Palier
0.5
0
0 0.2 0.4 0.6 0.8 1
0.05
a=2
0
-0.05
a = 12
-0.1
0 0.2 0.4 0.6 0.8 1
20
10
Palier
Palier
0.5
0
0 0.2 0.4 0.6 0.8 1
0.05 a = 12
a=2
0
-0.05
-0.1
0 0.2 0.4 0.6 0.8 1
20
10
60
Chapitre 3 Introduction aux ondelettes fractionnaires
0
0 0.2 0.4 0.6 0.8 1
Partie réelle de WT(a,b)
30
Echelle a
20
10
20
10
20
10
0
0 0.2 0.4 0.6 0.8 1
Partie réelle de WT(a,b)
30
Echelle a
20
10
20
10
20
10
61
Chapitre 3 Introduction aux ondelettes fractionnaires
1
Singularité Singularité
0.5
-0.5
0 0.2 0.4 0.6 0.8 1
-5
0 0.2 0.4 0.6 0.8 1
25
Echelle a
15
5
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1
Temps (ou position b)
1 Singularité
Singularité
0.5
-0.5
0 0.2 0.4 0.6 0.8 1
-2
-4
0 0.2 0.4 0.6 0.8 1
25
Echelle a
15
5
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1
Temps (ou position b)
62
Chapitre 3 Introduction aux ondelettes fractionnaires
0
0 0.2 0.4 0.6 0.8 1
Partie réelle de WT(a,b)
30
Echelle a
20
10
20
10
20
10
0
0 0.2 0.4 0.6 0.8 1
Partie réelle de WT(a,b)
30
Echelle a
20
10
20
10
20
10
63
Chapitre 3 Introduction aux ondelettes fractionnaires
64
Chapitre 3 Introduction aux ondelettes fractionnaires
Complexe QRS
0.5
-0.5
-1
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1
25
Echelle a
20
15
10
0.5
-0.5
-1
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1
25
Echelle a
20
15
10
65
Chapitre 3 Introduction aux ondelettes fractionnaires
-1
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1
20
10
20
10
20
10
-1
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1
20
10
20
10
20
10
66
Chapitre 3 Introduction aux ondelettes fractionnaires
Complexe QRS
0
-1
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1
-0.5
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1
-2
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1
Temps (s)
-0.5
-1
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1
0.1
-0.1
-0.2
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1
-2
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1
Temps (s)
67
Chapitre 3 Introduction aux ondelettes fractionnaires
3.4. Conclusion
Le travail présenté dans ce chapitre repose sur l'étude d'une nouvelle série d'ondelettes
réelles et complexe basées sur la distribution de Cole-Cole. On a montré que ces ondelettes
présentent des caractéristiques et des propriétés intéressantes. L'approche ondelette retenue
utilise une décomposition non orthogonale, plus souple au niveau du choix des échelles.
L'emploi de ces ondelettes fractionnaires dans l'analyse continue de quelques types de signaux
connus a dévoilé leurs capacités à se focaliser sur des coefficients d'ondelettes qui permettent
une meilleure détection et une meilleure description des singularités et des discontinuités
caractérisées par l'effet de cône d'influence. C'est-à-dire, des cônes visibles dans la
décomposition continue qui indiquent une irrégularité du signal. En conclusion, ces résultats
modestes serviront de base pour élaborer l'algorithme de détection du complexe QRS dans le
chapitre suivant.
68
Chapitre 4 Ondelettes fractionnaires pour la détection du complexe QRS
Chapitre 4
69
Chapitre 4 Ondelettes fractionnaires pour la détection du complexe QRS
4.1. Introduction
La détection du complexe QRS est d’une importance capitale dans les systèmes de
traitement automatique de l’ECG. En effet, une fois les pics R identifiés, il devient facile de
calculer la fréquence cardiaque, d'analyser la variabilité du rythme cardiaque (Heart Rate
Variability, HRV), de segmenter le signal ECG en vue de son analyse battement par battement
ou sa compression et d'analyser la déviation du segment ST dans le but de déceler une ischémie
du myocarde. Les difficultés de la détection de QRS résident, essentiellement, dans la grande
variabilité de la forme du signal parce que leur morphologie varie d'un individu à l'autre, même
chez le même sujet, elle varie d’un cycle à l’autre. En plus, des bruits d’origines diverses
(contractions musculaires EMG, artefacts de mouvement, interférence avec le secteur, bruit
respiratoire, mauvais contact entre les électrodes et la peau, saturation des amplificateurs [15]),
présents dans l'ECG, ainsi que des ondes P et T de grandes amplitudes peuvent aussi être pris
pour des complexes QRS [44]. Une bonne détection des complexes QRS nécessite donc un
traitement du signal plus élaboré. L’idée générale est d’exploiter non seulement la grande
dynamique des ondes R, mais aussi une propriété qui leur est propre : leurs variations rapides.
Depuis plus de trente ans, les chercheurs ont largement travaillé sur la détection du QRS et
ont proposé plusieurs méthodes de détection. Chacune possède des avantages et des
inconvénients en terme de performance et de complexité. Avec les avancées en temps de
calcul dans le domaine informatique, le poids de complexité a diminué par rapport à celui de
la performance. Les performances de ces algorithmes sont mesurées en termes de non
détection, fausse alarme, retard de détection et nombre d'opérations mathématiques. Ces
techniques souffrent de deux problèmes majeurs : le premier est que la bande passante du
complexe QRS diffère d'un individu à l'autre, et même chez le même sujet d'un cycle à l'autre.
La deuxième difficulté est le choix du seuil de décision. Le seuil est généralement fixé
empiriquement, des conditions additionnelles doivent être prises en compte avant la décision
finale. Une méthode de détection utilisant le filtrage numérique adaptatif est proposée dans
[16]. Le filtre adaptatif s'auto ajuste afin de compenser les variations de formes et les
conditions de perturbations accentuées. De ce fait, pendant ces quinze dernières années
plusieurs nouveaux algorithmes ont été proposés. On trouve, par exemple, des méthodes
utilisant les réseaux de neurones, les algorithmes génétiques et la transformée en ondelettes
[8-9, 17, 23, 45-46].
70
Chapitre 4 Ondelettes fractionnaires pour la détection du complexe QRS
L’opération de détection du complexe QRS est réalisée, en général, en deux étapes : une
étape de pré-processing et une étape de décision comme montré sur la figure (4.1) [23]. Le pré-
processeur a pour but d'accroître les amplitudes des complexes QRS et réduire celles des ondes P
et T ainsi que le bruit résiduel. Il peut comporter plusieurs techniques de traitement du signal : la
dérivation non entière, le filtrage passe-bande, le filtrage non linéaire, les réseaux de neurones ou
la transformation en ondelettes. Après, le signal subit une transformation non linéaire, par
exemple, une dérivation pour identifier les fortes pentes autour de l'onde R et une élévation au
carré pour quantifier l'énergie des complexes QRS. La sortie du pré-processeur fournit des
suites d’impulsions qui seront classées comme des complexes QRS ou du bruit. La deuxième
étape consiste, selon des critères de seuillage, en une prise de décision si le maximum est un
vrai pic ou un pic illusoire de l'onde R.
4.2.1. Pré-processeur
Le pré-processeur, ou étape de prétraitement, a pour but de séparer les signaux utiles des
bruits indésirables. En électrocardiographie, ces bruits sont bien identifiés mais certains ont la
particularité de recouvrir la bande spectrale de l'ECG, ce qui les rend difficile à filtrer. Les
71
Chapitre 4 Ondelettes fractionnaires pour la détection du complexe QRS
principales causes de bruits sont soit techniques, soit physiologiques [47]. Les bruits causés
par les appareils de mesure peuvent être évités alors que le deuxième type de bruits
représentés par l'activité bioélectrique des cellules ne peut pas être contourné. L'étape de
prétraitement est traditionnellement fondée sur le filtrage et la dérivation (au sens
mathématique) du signal. Cette fonction peur être assurée par des filtres numériques de
dérivation première ou seconde ou aussi par une transformation en ondelettes. Les
performances des détecteurs de QRS sont donc très liées à la qualité du filtrage. La figure
(4.2) montre la densité spectrale de puissance de l'ECG et de ses différentes composantes
[48]. Sur cette figure, on peut voir que l'énergie de l'ECG est répartie dans la bande [2 - 40]
Hz qui recouvre aussi celle des bruits cliniques typiques.
D’après les données physiologiques, les complexes QRS ont une énergie maximale dans la
bande 5-15 Hz [48]. Il est donc naturel de tenter un filtrage du signal dans cette bande, afin
d'atténuer les composantes non désirables, comme l'onde P, l'onde T, la dérive de la ligne de
base et le bruit causé par le réseau électrique. Un filtre passe haut peut être utilisé pour filtrer
les composantes du bruit de basse fréquence (P, T, fluctuation de la ligne de base) tandis que
72
Chapitre 4 Ondelettes fractionnaires pour la détection du complexe QRS
les perturbations de hautes fréquences seront éliminées par un filtre passe bas, tout en
conservant la bande des fréquences utiles du signal presque inchangée. Les filtrages haut et
bas peuvent être effectués séparément ou par un seul filtre passe bande. Ces filtres passe
bandes numériques ont des fréquences centrales qui se situent dans l'intervalle 10 Hz à 25 Hz
[49]. Les transformations non linéaires (valeur absolue, transformation quadratique,
intégration, produit multi-échelle pour les ondelettes, …) ont pour but d'obtenir pour chaque
complexe QRS un seul pic positif susceptible d'être repéré si sa valeur dépasse un certain
seuil.
73
Chapitre 4 Ondelettes fractionnaires pour la détection du complexe QRS
1 n
AR moy = ∑ AR i
10 i = n −9
(4.2)
Où ARi est l'amplitude du pic Ri détecté. Si ce maximum est d’amplitude supérieure au seuil,
il est considéré comme correspondant à un complexe QRS et est ainsi validé ; sinon,
l’algorithme continue jusqu’au maximum suivant (Fig. 4.3). Autrement dit, le seuil est ajusté
tout au long de l’algorithme. Parfois un seul seuil en amplitude peut s'avérer insuffisant et
l'algorithme risque de manquer des ondes R de petites amplitudes à cause de cas
pathologiques. Pour cela, une étape de rattrapage des ondes R oubliées doit être envisagée en
adoptant d'abord un seuillage temporel permettant de définir s'il y a eu une onde R ratée, et
ensuite l'application d'un deuxième seuil en amplitude habituellement pris comme un
pourcentage du premier seuil (Fig. 4.3).
10
74
Chapitre 4 Ondelettes fractionnaires pour la détection du complexe QRS
RR = RN - RN-1 (4.4)
Si aucun nouveau complexe n’est détecté dans cet intervalle, l’algorithme revient, dans ce cas,
à la dernière détection validée et réexamine cet intervalle avec un seuil abaissé à 10% de la
moyenne des 10 derniers maxima, au lieu des 30% précédents (Fig. 4.4), c'est la recherche
arrière. Ce système permet, dès lors, la détection d'éventuels complexes de petites amplitudes
précédemment oubliés.
150%
75
Chapitre 4 Ondelettes fractionnaires pour la détection du complexe QRS
Nous présentons dans cette partie, de façon très sommaire et non exhaustive, quelques
algorithmes de détection du complexe QRS. La plupart de ces détecteurs utilisent une seule
voie de l'ECG [49].
- Algorithmes basés sur le calcul de la dérivée entière : ces algorithmes sont basés sur le
calcul des dérivées premières et secondes du signal ECG et l'élaboration d'un seuil combinés
avec d'autres traitements (valeur absolue, lissage, sommation pondérée, élimination de la
valeur moyenne).
- Algorithmes basés sur le calcul de la dérivée non entière : leur principe repose sur la
conception de filtres (passe bande et passe bas) à phase linéaire basés sur la dérivation non
entière. La fréquence centrale ainsi que les coefficients des filtres sont fonction des ordres de
dérivation non entière. Les différents paramètres de ces filtres sont optimisés en utilisant des
modèles fractionnaires de la densité spectrale de puissance du complexe QRS [15,50].
- Algorithmes basés sur les réseaux de neurones : un réseau de neurones est une somme
pondérée de fonctions non-linéaires paramétrées, appelées "neurones cachés", des variables de
la fonction à modéliser. Chaque neurone caché est généralement la tangente hyperbolique
d’une somme pondérée des variables du modèle. Xue et al. [45] ont développé un algorithme
de détection du complexe QRS qui utilise un filtre adaptatif basé sur les réseaux de neurones,
généralement utilisé en reconnaissance de forme, pour éliminer la corrélation dans les
composantes basses fréquences de l'ECG et du bruit qui l'affecte. Ils ont appliqué un filtre
adapté pour la détection du complexe QRS dans le signal issu de ce prétraitement.
76
Chapitre 4 Ondelettes fractionnaires pour la détection du complexe QRS
les passages par zéro ou les maxima du module obtenus sur les coefficients d'ondelettes
correspondent aux extrema locaux du signal original.
La validation des méthodes de détection est réalisée sur des signaux ECG sélectionnés
dans des bases de données standard manuellement annotées par des cardiologues. On peut
citer la base d'arythmies MIT-BIH (Massachusetts Institute of Technology-Beth Israel
Hospital) de Physionet [26] et la base AHA (American Heart Association). Pour notre part, on
a utilisé les signaux tests de la base MIT-BIH.
77
Chapitre 4 Ondelettes fractionnaires pour la détection du complexe QRS
t j − ti ≤ θ (4.5)
78
Chapitre 4 Ondelettes fractionnaires pour la détection du complexe QRS
Une fausse détection (FP) se produit lorsque tj se trouve à une distance supérieure à θ de ti
pour tout ti. Finalement, un battement est considéré absent (FN) si aucune détection ne se
produit à une distance plus petite que θ de ti pour tout ti.
Pour la valeur du paramètre θ de l'équation (4.5), nous l'avons choisi égal à 120 ms
correspondant à la largeur d'un complexe QRS typique. Ceci est fait car lorsque le
cardiologue marque un complexe QRS, il ne le fait pas forcément sur le sommet du pic R,
mais quelque part à l'intérieur du complexe QRS. Pour juger de la qualité du détecteur, trois
grandeurs sont habituellement mesurées :
- La sensibilité (Sensitivity), appelée aussi Probabilité de Détection, Se, définie par :
TP
Se (%) = ×100 (4.6)
TP + FN
TP
P + (%) = ×100 (4.7)
TP + FP
- Le taux d’erreur donné par :
FN + FP
TE(% ) = ×100 (4.8)
NBT
Où NBT est le nombre de battements (nombre de QRS total qui est égal à la taille du vecteur
annotation après lecture de *.atr). Le taux de détection (TD) est défini par :
Cette partie présente les détails de l'algorithme de détection du complexe QRS sur une
seule voie. A première vue, cette détection semblerait pouvoir être effectuée par un simple
seuillage du signal (Fig. 4.5), car les ondes R sont, en général, de plus grande amplitude que
les autres. Mais ce n’est pas le cas chez tous les patients : parfois, l’onde T est d’amplitude
comparable, ce qui pourrait être une sérieuse cause d’erreur (Fig. 4.6). Une bonne détection
79
Chapitre 4 Ondelettes fractionnaires pour la détection du complexe QRS
des complexes QRS nécessite donc un traitement du signal plus élaboré. Dans cette
contribution [43,52-54], et pour localiser efficacement les instants d'occurrence de l'onde R
dans l'ECG, nous présentons une méthode basée sur "les maxima du module" de la
transformée en ondelettes continue (TOC) à partir d'ondelettes fractionnaires réelles et
complexes construites par dérivation et modulation de la fonction de Cole-Cole (Eq. 3.4 et
3.6). Cette méthode détecte les valeurs maximales des coefficients ondelettes à travers les
échelles. Cette technique s'avère très utile pour l'analyse de l'ECG, qui est caractérisé par des
ondes localisées en temps ayant des composantes fréquentielles diverses. De plus, les
différents types de bruit, affectant l'ECG, apparaissent à des bandes fréquentielles apparentes,
et ont donc différentes contributions à des échelles distinctes. De ce fait, notre algorithme de
détection du complexe QRS examinera les étapes suivantes :
Fig. 4.5. Signal ECG normal avec des ondes R de grande amplitude.
80
Chapitre 4 Ondelettes fractionnaires pour la détection du complexe QRS
Dans cette partie, un seul filtre a été mis en œuvre, il est basé sur une décomposition du
signal par le biais de la transformée en ondelettes continue fondée sur des ondelettes
fractionnaires (coleN et ccol) issues de la distribution de Cole-Cole. La transformée en
ondelettes du signal ECG est donnée par (Eq. 2.13) :
1 +∞ t−b
WT(a , b ) =
a
∫−∞
ECG(t )ψ ∗ dt
a
(4.10)
1 ∗ t
Avec : ψ ∗a (t ) = ψ −
a a
81
Chapitre 4 Ondelettes fractionnaires pour la détection du complexe QRS
De ce fait, et comme Ψ (ω) ω=0 = 0 (car ψ est de moyenne nulle), la transformée en ondelettes
du signal ECG est le résultat du filtrage de ce signal avec un filtre passe bande de fonction de
transfert Ψ(ω). L’effet du filtrage est caractérisé par la multiplication du spectre ECG(ω)
par a Ψ (aω) (Eq. 2.16). Pour une ondelette Ψ(ω) de fréquence centrale f0 et de bande de
fréquence B, le paramètre "a" définit un nouveau gabarit de filtre de fréquence centrale f0/a et
de bande B/a. Ainsi, l’analyse en ondelettes continue peut s’interpréter comme une analyse à
banc de filtre.
(
E ECG(k )
2
)
SNR (m ) = (4.12)
(
E (TOECG(k ) − ECG(k ))
2
)
Où ECG(k) représente le signal ECG et TOECG(k) est sa transformée en ondelettes utilisant
une ondelette fractionnaire avec différentes valeurs de m. La figure 4.7 montre les variations
du rapport signal sur bruit (SNR) en fonction du paramètre m pour trois signaux ECG les plus
difficiles (105, 203 et 208) de la base de données MIT-BIH. Le maximum du SNR est atteint
pour une valeur de l'ordre fractionnaire m = 0,79.
82
Chapitre 4 Ondelettes fractionnaires pour la détection du complexe QRS
2.5
SNR 1.5
0.5
0
0.5 0.55 0.6 0.65 0.7 0.75 0.8 0.85 0.9 0.95
parameter m
Fig. 4.8. Spectre d'amplitude de l'ondelette cole2 pour les échelles 21, 22, 23, 24 et 25.
83
Chapitre 4 Ondelettes fractionnaires pour la détection du complexe QRS
De la même manière, la bande passante pour chaque échelle est retenue de celle de l'ondelette
mère par le biais de la relation (2.16). On peut en déduire que pour les échelles 23, 24 et 25, la
bande passante de l'ondelette contient une bonne partie du spectre du complexe QRS. En se
basant sur la valeur de la fréquence centrale pour chaque échelle, on choisira, par la suite, les
échelles de décomposition 23 et 24 car elles interprètent le plus le spectre du complexe QRS.
Donc, le choix de ces deux échelles permettra de préserver le contenu fréquentiel du
complexe QRS, tout en atténuant les composantes indésirables de l'ECG.
84
Chapitre 4 Ondelettes fractionnaires pour la détection du complexe QRS
Le signal Pj(t) tend à rehausser les maxima en atténuant les faux pics. Ce produit ressortira
des pics aux transitions présentes dans le signal et présentera de faibles valeurs ailleurs. Dans
cette opération non linéaire sur les coefficients WT(2j,b), les complexes QRS produisent, à
travers les échelles, des pics observés dans les coefficients de la transformée en ondelettes qui
sont renforcés par le produit Pj(t). La figure 4.9 illustre un exemple de produit multi-échelle
appliqué à un échantillon du signal ECG où l'on peut remarquer des pics R amplifiés avec
réduction du bruit. Enfin, la méthode "maxima du module" permettra d'obtenir un seul point
pour chaque pic et évitera d'avoir des pics des deux côtés de l'axe des temps.
1
0
(a)
-1
0 0.25 0.5 0.75 1
1
0.5
(b)
0
-0.5
0 0.25 0.5 0.75 1
2
1
(c)
0
-1
0 0.25 0.5 0.75 1
2
(d)
0
-2
0 0.25 0.5 0.75 1
1.5
0.5
(e)
-0.5
0 0.25 0.5 0.75 1
4
2
(f)
0
0 0.25 0.5 0.75 1
Temps (s)
85
Chapitre 4 Ondelettes fractionnaires pour la détection du complexe QRS
Un pic du STC
Non
pic > seuil_amp
86
Chapitre 4 Ondelettes fractionnaires pour la détection du complexe QRS
Dans ces applications, l'algorithme proposé est testé sur des enregistrements ECG réels
de la base "MIT-BIH arrhythmia database" [26]. Une seule voie a été utilisée (MLII). Ces
signaux comprennent différents types de pathologies cardiaques (bloc de branche droit et
gauche, fibrillation auriculaire, tachycardie ventriculaire, fibrillation ventriculaire, ...). Les
résultats sont comparés avec ceux obtenus avec d'autres ondelettes similaires (gaus2, gaus1,
cmor). Également, cette analyse nous permettra de comparer ces résultats avec des travaux et
algorithmes de la littérature utilisant cette même base de données.
4.6.1.1. Prétraitement
La transformée en ondelette continue est calculée dans le domaine temporel. Dans les
figures 4.10 à 4.13, on représente en (a) une section du signal ECG, les signaux (b) et (c)
exposent sa transformée en ondelettes continue pour les échelles 23 et 24 respectivement et
enfin, en (d), on montre le signal STC qui représente les maxima du module du produit multi-
échelle des coefficients ondelettes correspondant aux échelles 23 et 24.
87
Chapitre 4 Ondelettes fractionnaires pour la détection du complexe QRS
(
seuilAR = 0,3 × WT 2 j , b kj ) pour j = 3, 4 (4.15)
k = 1...N
88
Chapitre 4 Ondelettes fractionnaires pour la détection du complexe QRS
(a) 0
-1
0 200 400 600 800 1000 1200 1400 1600 1800 2000
4
2
(b)
-2
0 200 400 600 800 1000 1200 1400 1600 1800 2000
5
(c)
-5
0 200 400 600 800 1000 1200 1400 1600 1800 2000
15
10
(d)
0
0 200 400 600 800 1000 1200 1400 1600 1800 2000
Nombre d'échantillons
Fig. 4.10. (a) signal ECG : 100.dat, (b) et (c) sa transformée en ondelettes (cole2)
pour 23 et 24, (d) signal STC (maxima du module du produit multi-échelle).
5
(a)
-5
0 200 400 600 800 1000 1200 1400 1600 1800 2000
5
(b)
-5
0 200 400 600 800 1000 1200 1400 1600 1800 2000
5
(c)
-5
0 200 400 600 800 1000 1200 1400 1600 1800 2000
20
(d)
10
0
0 200 400 600 800 1000 1200 1400 1600 1800 2000
Nombre d'échantillons
Fig. 4.11. (a) signal ECG : 101.dat, (b) et (c) sa transformée en ondelettes (cole2)
pour 23 et 24, (d) signal STC (maxima du module du produit multi-échelle).
89
Chapitre 4 Ondelettes fractionnaires pour la détection du complexe QRS
(a) 0
-1
0 500 1000 1500 2000 2500
4
2
(b)
-2
0 500 1000 1500 2000 2500
4
2
(c)
-2
0 500 1000 1500 2000 2500
6
4
(d)
0
0 500 1000 1500 2000 2500
Nombre d'échantillons
Fig. 4.12. (a) signal ECG : 102.dat, (b) et (c) sa transformée en ondelettes (cole2)
pour 23 et 24, (d) signal STC (maxima du module du produit multi-échelle).
5
(a)
-5
0 500 1000 1500 2000 2500
4
2
(b)
-2
0 500 1000 1500 2000 2500
5
(c)
-5
0 500 1000 1500 2000 2500
15
10
(d)
0
0 500 1000 1500 2000 2500
Nombre d'échantillons
Fig. 4.13. (a) signal ECG : 105.dat, (b) et (c) sa transformée en ondelettes (cole2)
pour 23 et 24, (d) signal STC (maxima du module du produit multi-échelle).
90
Chapitre 4 Ondelettes fractionnaires pour la détection du complexe QRS
Le tableau 4.2 montre les détails de la détection des complexes QRS pour chaque signal ECG.
L'analyse des résultats du tableau confirme que l'algorithme peut identifier la position de
l'onde R avec une précision raisonnable. En fait, la sensibilité "Se" et la valeur de la
prédictibilité positive "P+" ont été calculées et ont données respectivement 99.67% et 99.56%
pour un nombre de battements total égal à 98302. Le taux d'erreur "TE" est de 0.76%, ce qui
nous donne un taux de détection total "TDT" égal à 99.24% de QRS repérés. Néanmoins, il y
a quelques enregistrements qui n'ont pas été utilisés dans cette première application de
l'ondelette fractionnaire (108, 114, 201, 203 et 223) et qui sont la cause d'une baisse du taux
de détection au-dessous de 99%.
Les figures 4.14 à 4.17 présentent quelques exemples de détection du complexe QRS pour les
signaux 100, 101, 102 et 105. On représente, en (a), une portion du signal original, en (b),
l'annotation correspondante donnant l'endroit de chaque pic R et en (c), les positions des pics
R détectées par l'algorithme.
- pour la figure 4.14, tous les pics ont été bels et bien détectés, ceci est certifié par le taux
d'erreur zéro pour cet enregistrement ;
- pendant l'enregistrement de la figure 4.15, il y a eu, aux transitions, deux fausses alarmes
(FP = 2) repérées par l'algorithme comme étant des pics R, en plus d'un QRS oublié (FN = 1)
à cause de son amplitude faible ;
- la figure 4.16 présente des complexes QRS comprenant plus d'un pic R, mais cela n'a pas
causé d'erreur ; un taux de détection de 100% est obtenu ;
- les amplitudes des QRS, dans la figure 4.17, diminuent graduellement avec la ligne de base.
Ceci a occasionné l'oubli de plusieurs complexes.
91
Chapitre 4 Ondelettes fractionnaires pour la détection du complexe QRS
Tableau 4.2. Résultats de la détection du complexe QRS testée sur la base MIT-BIH.
Première application : ondelette cole2.
N° Enr. NBT FN FP Se (%) P+ (%) TE (%)
100 2273 0 0 100,00 100,00 0,00
101 1865 2 5 99,89 99,73 0,38
102 2187 0 0 100,00 100,00 0,00
103 2084 0 0 100,00 100,00 0,00
104 2229 4 5 99,82 99,78 0,40
105 2572 15 81 99,42 96,93 3,73
106 2027 40 3 98,03 99,85 2,12
107 2137 9 1 99,58 99,95 0,47
108
109 2532 5 0 99,80 100,00 0,20
111 2124 6 154 99,72 93,22 7,53
112 2539 0 0 100,00 100,00 0,00
113 1795 0 0 100,00 100,00 0,00
114
115 1953 0 0 100,00 100,00 0,00
116 2412 25 3 98,96 99,87 1,16
117 1535 0 0 100,00 100,00 0,00
118 2278 0 0 100,00 100,00 0,00
119 1987 0 1 100,00 99,95 0,05
121 1863 3 46 99,84 97,59 2,63
122 2476 0 1 100,00 99,96 0,04
123 1518 3 0 99,80 100,00 0,20
124 1619 17 48 98,95 97,09 4,01
200 2601 3 3 99,88 99,88 0,23
201
202 2136 17 0 99,20 100,00 0,80
203
205 2656 6 0 99,77 100,00 0,23
207 1860 15 7 99,19 99,62 1,18
208 2955 47 11 98,41 99,62 1,96
209 3004 0 1 100,00 99,97 0,03
210 2650 44 7 98,34 99,73 1,92
212 2748 0 0 100,00 100,00 0,00
213 3251 9 2 99,72 99,94 0,34
214 2261 10 1 99,56 99,96 0,49
215 3363 1 1 99,97 99,97 0,06
217 2208 2 1 99,91 99,95 0,14
219 2154 7 0 99,68 100,00 0,32
220 2048 0 0 100,00 100,00 0,00
221 2427 11 1 99,55 99,96 0,49
222 2483 6 1 99,76 99,96 0,28
223
228 2053 8 44 99,61 97,89 2,53
230 2256 0 0 100,00 100,00 0,00
231 1571 0 0 100,00 100,00 0,00
232 1780 0 1 100,00 99,94 0,06
233 3079 5 0 99,84 100,00 0,16
234 2753 0 0 100,00 100,00 0,00
Totaux → 98302 320 429 99,67 99,56 0,76
92
Chapitre 4 Ondelettes fractionnaires pour la détection du complexe QRS
(a) 0.5
-0.5
-1
0 500 1000 1500 2000 2500 3000
1.5
1
(b)
0.5
0
0 500 1000 1500 2000 2500 3000
1.5
1
(c)
0.5
0
0 500 1000 1500 2000 2500 3000
Nombre d'échantillons
2
(a)
-2
-4
0 500 1000 1500 2000 2500 3000
1.5
1
FN
(b)
0.5
0
0 500 1000 1500 2000 2500 3000
1.5
FP FP
1
(c)
0.5
0
0 500 1000 1500 2000 2500 3000
Nombre d'échantillons
93
Chapitre 4 Ondelettes fractionnaires pour la détection du complexe QRS
(a) 0.5
-0.5
-1
0 500 1000 1500 2000 2500
1.5
1
(b)
0.5
0
0 500 1000 1500 2000 2500
1.5
1
(c)
0.5
0
0 500 1000 1500 2000 2500
Nombre d'échantillons
2
(a)
-2
-4
0 500 1000 1500 2000 2500 3000
1.5
FN
1
(b)
0.5
0
0 500 1000 1500 2000 2500 3000
1.5
1
(c)
0.5
0
0 500 1000 1500 2000 2500 3000
Nombre d'échantillons
94
Chapitre 4 Ondelettes fractionnaires pour la détection du complexe QRS
4.6.2.1. Prétraitement
Dans les figures 4.18 à 4.23, on représente en (a) une section du signal ECG, le signal en
(b) montre les maxima du module du produit multi-échelle des coefficients ondelettes
identiquement à la première application et enfin, en (c), on expose la transformée en
ondelettes continue utilisant cole1.
95
Chapitre 4 Ondelettes fractionnaires pour la détection du complexe QRS
zéro ; cela rend la détection plus aisée malgré la présence d'ondes P de grandes amplitudes
(Fig. 4.22) ;
- signal avec bruit haute fréquence (203.dat) : le prétraitement a mis en évidence les pics R
malgré la présence du bruit haute fréquence. Le signal à seuiller montre des pics dominants
correspondant à des ondes R et vérifiant le test de passage par zéro (Fig. 4.23).
0.5
(a)
-0.5
0 50 100 150
10
(b)
0
0 50 100 150
0.5
(c)
-0.5
-1
0 50 100 150
Nombre d'échantillons
Fig. 4.18. (a) signal ECG : 100.dat, (b) maxima du module du produit multi-échelle
pour 23 et 24 (cole2), (c) passage par zéro dans la TOC pour 24 (cole1).
96
Chapitre 4 Ondelettes fractionnaires pour la détection du complexe QRS
2
(a)
0
-2
-4
1200 1300 1400 1500 1600 1700 1800 1900 2000 2100 2200
15
10
(b)
0
1200 1300 1400 1500 1600 1700 1800 1900 2000 2100 2200
0
(c)
-2
-4
1200 1300 1400 1500 1600 1700 1800 1900 2000 2100 2200
Nombre d'échantillons
Fig. 4.19. (a) signal ECG : 101.dat, (b) maxima du module du produit multi-échelle
pour 23 et 24 (cole2), (c) passage par zéro dans la TOC pour 24 (cole1).
0.5
(a)
-0.5
0 50 100 150 200 250 300 350 400 450 500
3
(b)
0
0 50 100 150 200 250 300 350 400 450 500
0.5
(c)
-0.5
-1
0 50 100 150 200 250 300 350 400 450 500
Nombre d'échantillons
Fig. 4.20. (a) signal ECG : 102.dat, (b) maxima du module du produit multi-échelle
pour 23 et 24 (cole2), (c) passage par zéro dans la TOC pour 24 (cole1).
97
Chapitre 4 Ondelettes fractionnaires pour la détection du complexe QRS
2
(a)
1
-1
400 600 800 1000 1200 1400
15
10
(b)
0
400 600 800 1000 1200 1400
0
(c)
-1
-2
400 600 800 1000 1200 1400
Nombre d'échantillons
Fig. 4.21. (a) signal ECG : 105.dat, (b) maxima du module du produit multi-échelle
pour 23 et 24 (cole2), (c) passage par zéro dans la TOC pour 24 (cole1).
0
(a)
-0.5
-1
0 100 200 300 400 500 600
1.5
(b)
0.5
0
0 100 200 300 400 500 600
0.5
(c)
-0.5
0 100 200 300 400 500 600
Nombre d'échantillons
Fig. 4.22. (a) signal ECG : 108.dat, (b) maxima du module du produit multi-échelle
pour 23 et 24 (cole2), (c) passage par zéro dans la TOC pour 24 (cole1).
98
Chapitre 4 Ondelettes fractionnaires pour la détection du complexe QRS
1
(a)
-1
-2
1500 1600 1700 1800 1900 2000 2100 2200 2300 2400 2500
30
20
(b)
10
0
1500 1600 1700 1800 1900 2000 2100 2200 2300 2400 2500
1
(c)
-1
-2
1500 1600 1700 1800 1900 2000 2100 2200 2300 2400 2500
Nombre d'échantillons
Fig. 4.23. (a) signal ECG : 203.dat, (b) maxima du module du produit multi-échelle
pour 23 et 24 (cole2), (c) passage par zéro dans la TOC pour 24 (cole1).
99
Chapitre 4 Ondelettes fractionnaires pour la détection du complexe QRS
Dans le tableau 4.3, on remarque une amélioration des pourcentages de détection avec une
diminution des fausses alarmes. L'analyse des résultats du tableau confirme que l'algorithme
peut identifier la position de l'onde R avec une précision plus rationnelle si on compare avec
le premier cas. En fait, la sensibilité "Se" est évaluée à 99.66%, tandis que la prédictibilité
positive "P+" est appréciée à 99.84%, et cela pour un nombre de battements total égal à
109492. Les taux d'erreur "TE" ont varié entre 0% et 4,08% avec une moyenne de 0.5%, ce
qui nous donne un taux de détection total "TDT" égal à 99.50% de QRS repérés. Toutefois, il
ne faut pas oublier qu'on a utilisé, cette fois-ci, toute la base de données, ce qui nous permet
de témoigner de l'amélioration de cette analyse par rapport à la précédente.
Le même algorithme a été appliqué en utilisant les ondelettes dérivées première et deuxième
de la gaussienne (gaus2 et gaus1). Les résultats sont présentés dans le tableau 4.4. Les taux
d'erreur "TE" se situent entre 0% et 4,53% avec une moyenne de 0.53%, ce qui nous donne un
taux de détection total "TDT" égal à 99.47% de QRS repérés.
Dans l'ensemble, une comparaison préliminaire montre que l'algorithme proposé présente
quelques avantages, en particulier, en ce qui concerne le taux de détection total. Néanmoins,
en comparant, dans le tableau 4.5, les résultats pour les enregistrements les plus difficiles de
la base, on remarque une nette primauté des ondelettes gaussiennes sur les ondelettes
fractionnaires. Toutefois, ces ondelettes fractionnaires présentent des solutions prometteuses
pour l'élaboration des algorithmes de traitement du signal ECG en vue d'une caractérisation de
ses différentes ondes.
Dans les figures 4.24 à 4.28, on a exposé quelques échantillons de détection du complexe
QRS comparés aux annotations données :
- le signal 100.dat n'a pas été tracé car il est sans complication et son taux de détection est de
100% ;
- la figure 4.24 confirme que le test de passage par zéro élimine les pics correspondant aux
sauts abrupts de la ligne de base, malgré leurs amplitudes dominantes dans le signal à seuiller.
Cela contribuera à la réduction des fausses détections ;
- l'enregistrement de la figure 4.25 est sans anomalie. Toutes les ondes sont belles et bien
repérées ;
- le test de passage par zéro participe à la réduction du taux de fausses détections. Mais, il
reste sans efficacité vis-à-vis des QRS ratés à cause de leurs amplitudes faibles. Pour cela, le
signal de la figure 4.26, présentant une déviation graduelle de la ligne de base, montre des
lacunes dans plusieurs QRS ;
100
Chapitre 4 Ondelettes fractionnaires pour la détection du complexe QRS
Tableau 4.3. Résultats de la détection du complexe QRS testée sur la base MIT-BIH.
Deuxième application : ondelettes cole1 et cole2.
N° Enr. NBT FN FP Se (%) P+ (%) TE (%)
100 2273 0 0 100,00 100,00 0,00
101 1865 1 0 99,95 100,00 0,05
102 2187 0 0 100,00 100,00 0,00
103 2084 1 0 99,95 100,00 0,05
104 2229 4 6 99,82 99,73 0,45
105 2572 11 36 99,57 98,61 1,83
106 2027 8 2 99,61 99,90 0,49
107 2137 3 1 99,86 99,95 0,19
108 1763 25 34 98,58 98,08 3,35
109 2532 5 0 99,80 100,00 0,20
111 2124 1 1 99,95 99,95 0,09
112 2539 0 0 100,00 100,00 0,00
113 1795 0 0 100,00 100,00 0,00
114 1879 3 3 99,84 99,84 0,32
115 1953 0 0 100,00 100,00 0,00
116 2412 22 1 99,09 99,96 0,95
117 1535 0 0 100,00 100,00 0,00
118 2278 0 0 100,00 100,00 0,00
119 1987 0 1 100,00 99,95 0,05
121 1863 2 1 99,89 99,95 0,16
122 2476 0 1 100,00 99,96 0,04
123 1518 3 0 99,80 100,00 0,20
124 1619 7 0 99,57 100,00 0,43
200 2601 3 1 99,88 99,96 0,15
201 1963 80 0 95,92 100,00 4,08
202 2136 11 0 99,49 100,00 0,51
203 2980 56 50 98,12 98,32 3,56
205 2656 4 0 99,85 100,00 0,15
207 1860 13 0 99,30 100,00 0,70
208 2955 37 7 98,75 99,76 1,49
209 3004 0 1 100,00 99,97 0,03
210 2650 20 9 99,25 99,66 1,09
212 2748 0 0 100,00 100,00 0,00
213 3251 3 0 99,91 100,00 0,09
214 2261 5 1 99,78 99,96 0,27
215 3363 0 0 100,00 100,00 0,00
217 2208 3 1 99,86 99,95 0,18
219 2154 12 0 99,44 100,00 0,56
220 2048 0 0 100,00 100,00 0,00
221 2427 6 0 99,75 100,00 0,25
222 2483 4 0 99,84 100,00 0,16
223 2605 9 4 99,65 99,85 0,50
228 2053 7 14 99,66 99,32 1,02
230 2256 0 0 100,00 100,00 0,00
231 1571 0 0 100,00 100,00 0,00
232 1780 0 1 100,00 99,94 0,06
233 3079 2 0 99,94 100,00 0,06
234 2753 3 0 99,89 100,00 0,11
Totaux → 109492 374 176 99,66 99,84 0,50
101
Chapitre 4 Ondelettes fractionnaires pour la détection du complexe QRS
Tableau 4.4. Résultats de la détection du complexe QRS testée sur la base MIT-BIH.
Deuxième application : ondelettes gaus1 et gaus2.
N° Enr. NBT FN FP Se (%) P+ (%) TE (%)
100 2273 0 0 100,00 100,00 0,00
101 1865 1 3 99,95 99,84 0,21
102 2187 2 0 99,91 100,00 0,09
103 2084 5 0 99,76 100,00 0,24
104 2229 16 1 99,28 99,95 0,76
105 2572 6 31 99,77 98,81 1,44
106 2027 13 2 99,36 99,90 0,74
107 2137 13 3 99,39 99,86 0,75
108 1763 22 45 98,75 97,48 3,80
109 2532 5 0 99,80 100,00 0,20
111 2124 1 0 99,95 100,00 0,05
112 2539 0 0 100,00 100,00 0,00
113 1795 0 0 100,00 100,00 0,00
114 1879 10 2 99,47 99,89 0,64
115 1953 0 0 100,00 100,00 0,00
116 2412 28 1 98,84 99,96 1,20
117 1535 0 0 100,00 100,00 0,00
118 2278 0 0 100,00 100,00 0,00
119 1987 1 1 99,95 99,95 0,10
121 1863 2 0 99,89 100,00 0,11
122 2476 0 0 100,00 100,00 0,00
123 1518 0 0 100,00 100,00 0,00
124 1619 6 0 99,63 100,00 0,37
200 2601 3 1 99,88 99,96 0,15
201 1963 64 25 96,74 98,70 4,53
202 2136 14 1 99,34 99,95 0,70
203 2980 60 26 97,99 99,12 2,89
205 2656 6 0 99,77 100,00 0,23
207 1860 10 3 99,46 99,84 0,70
208 2955 26 6 99,12 99,80 1,08
209 3004 0 4 100,00 99,87 0,13
210 2650 22 8 99,17 99,70 1,13
212 2748 0 0 100,00 100,00 0,00
213 3251 5 0 99,85 100,00 0,15
214 2261 4 2 99,82 99,91 0,27
215 3363 2 1 99,94 99,97 0,09
217 2208 4 1 99,82 99,95 0,23
219 2154 18 1 99,16 99,95 0,88
220 2048 0 0 100,00 100,00 0,00
221 2427 7 1 99,71 99,96 0,33
222 2483 2 0 99,92 100,00 0,08
223 2605 14 0 99,46 100,00 0,54
228 2053 5 10 99,76 99,51 0,73
230 2256 0 0 100,00 100,00 0,00
231 1571 0 1 100,00 99,94 0,06
232 1780 0 2 100,00 99,89 0,11
233 3079 1 0 99,97 100,00 0,03
234 2753 1 0 99,96 100,00 0,04
Totaux → 109492 399 182 99,64 99,83 0,53
102
Chapitre 4 Ondelettes fractionnaires pour la détection du complexe QRS
- la figure 4.27 présente un signal bruité avec des ondes P de grandes amplitudes. Ceci a
occasionné un taux d'erreur de 3.35%. Cependant, la majorité des complexes QRS ont été
localisés ;
- dans la figure 4.28, une extrasystole ventriculaire (ESV) de faible amplitude n'a pas été
détectée par l'algorithme. Ce signal (203.dat) reste l'un des signaux les plus difficiles à traiter
de la base de données MIT-BIH. Néanmoins, on a pu réduire le taux de non détection au
maximum.
103
Chapitre 4 Ondelettes fractionnaires pour la détection du complexe QRS
2
(a)
0
-2
-4
0 500 1000 1500 2000 2500 3000
1.5
FN
1
(b)
0.5
0
0 500 1000 1500 2000 2500 3000
1.5
1
(c)
0.5
0
0 500 1000 1500 2000 2500 3000
Nombre d'échantillons
0.5
(a)
-0.5
-1
0 500 1000 1500 2000 2500 3000 3500
1.5
1
(b)
0.5
0
0 500 1000 1500 2000 2500 3000 3500
1.5
1
(c)
0.5
0
0 500 1000 1500 2000 2500 3000 3500
Nombre d'échantillons
104
Chapitre 4 Ondelettes fractionnaires pour la détection du complexe QRS
2
(a)
0
-2
-4
0 500 1000 1500 2000 2500 3000
1.5
1
FN FN
(b)
0.5
0
0 500 1000 1500 2000 2500 3000
1.5
1
(c)
0.5
0
0 500 1000 1500 2000 2500 3000
Nombre d'échantillons
0
(a)
-1
-2
0 500 1000 1500 2000 2500 3000 3500 4000
1.5
FN
1
(b)
0.5
0
0 500 1000 1500 2000 2500 3000 3500 4000
1.5
FP
1
(c)
0.5
0
0 500 1000 1500 2000 2500 3000 3500 4000
Nombre d'échantillons
105
Chapitre 4 Ondelettes fractionnaires pour la détection du complexe QRS
1
(a)
-1
-2
2000 2500 3000 3500 4000 4500 5000
1.5
FN
1
(b)
0.5
0
2000 2500 3000 3500 4000 4500 5000
1.5
1
(c)
0.5
0
2000 2500 3000 3500 4000 4500 5000
Nombre d'échantillons
106
Chapitre 4 Ondelettes fractionnaires pour la détection du complexe QRS
4.6.3.1. Prétraitement
Dans les figures 4.29 à 4.34, on représente en (a) une section du signal ECG, les signaux
en (b) et (c) montrent la partie réelle de la transformée en ondelettes pour les échelles 23 et 24
respectivement ; en (d), on a présenté les maxima du module du produit multi-échelles des
signaux en (b) et (c) et enfin en (e), on expose la partie imaginaire de la transformée en
ondelettes pour l'échelle 24. On remarque qu'un passage par zéro en (e) coïncide avec un
maximum en (d).
107
Chapitre 4 Ondelettes fractionnaires pour la détection du complexe QRS
1
(a)
-1
0 100 200 300 400 500 600 700 800
1
(b)
-1
0 100 200 300 400 500 600 700 800
1
(c)
-1
0 100 200 300 400 500 600 700 800
0.5
(d)
0
0 100 200 300 400 500 600 700 800
0.5
(e)
-0.5
0 100 200 300 400 500 600 700 800
Nombre d'échantillons
108
Chapitre 4 Ondelettes fractionnaires pour la détection du complexe QRS
5
(a)
-5
0 500 1000 1500 2000 2500 3000
1
(b)
-1
0 500 1000 1500 2000 2500 3000
1
(c)
0
-1
0 500 1000 1500 2000 2500 3000
1.5
1
(d)
0.5
0
0 500 1000 1500 2000 2500 3000
2
(e)
0
-2
0 500 1000 1500 2000 2500 3000
Nombre d'échantillons
109
Chapitre 4 Ondelettes fractionnaires pour la détection du complexe QRS
1
(a)
-1
0 500 1000 1500 2000 2500 3000
0.5
(b)
-0.5
0 500 1000 1500 2000 2500 3000
1
(c)
-1
0 500 1000 1500 2000 2500 3000
0.4
(d)
0.2
0
0 500 1000 1500 2000 2500 3000
1
(e)
-1
0 500 1000 1500 2000 2500 3000
Nombre d'échantillons
110
Chapitre 4 Ondelettes fractionnaires pour la détection du complexe QRS
2
(a)
0
-2
0 500 1000 1500 2000 2500 3000 3500 4000
1
(b)
-1
0 500 1000 1500 2000 2500 3000 3500 4000
1
(c)
0
-1
0 500 1000 1500 2000 2500 3000 3500 4000
1
(d)
0.5
0
0 500 1000 1500 2000 2500 3000 3500 4000
1
(e)
0
-1
0 500 1000 1500 2000 2500 3000 3500 4000
Nombre d'échantillons
111
Chapitre 4 Ondelettes fractionnaires pour la détection du complexe QRS
- signal 108.dat : la figure 4.33 présente des ondes R éminentes, marquant leurs présences
dans les parties réelles des coefficients ondelettes. Le produit multi-échelle a permis de les
accentuer rendant, ainsi, la détection plus aisée malgré la présence d'ondes P de grandes
amplitudes ;
- signal 203.dat : identiquement à la deuxième application, le prétraitement a mis en
évidence les pics R malgré la présence du bruit haute fréquence. Le signal à seuiller en montre
des pics R dominants et vérifiant le test de passage par zéro (Fig. 4.34).
0
(a)
-1
-0.5
0 500 1000 1500 2000 2500 3000
0.5
(c)
0
-0.5
0 500 1000 1500 2000 2500 3000
0.2
(d)
0.1
0
0 500 1000 1500 2000 2500 3000
0.5
(e)
-0.5
0 500 1000 1500 2000 2500 3000
Nombre d'échantillons
112
Chapitre 4 Ondelettes fractionnaires pour la détection du complexe QRS
2
(a)
-2
0 500 1000 1500 2000 2500
2
(b)
-2
0 500 1000 1500 2000 2500
2
(c)
-2
0 500 1000 1500 2000 2500
4
(d)
0
0 500 1000 1500 2000 2500
2
(e)
-2
0 500 1000 1500 2000 2500
Nombre d'échantillons
113
Chapitre 4 Ondelettes fractionnaires pour la détection du complexe QRS
Dans le tableau 4.6, on remarque des pourcentages d'erreur variant entre 0% et 3,69% avec
une moyenne de 0.58%, ce qui nous donne un taux de détection total "TDT" égal à 99.42% de
QRS repérés. En fait, la sensibilité "Se" est évaluée à 99.57%, tandis que la prédictibilité
positive "P+" est appréciée à 99.85%, et cela pour un nombre de battements total égal à
109492. Le même algorithme a été appliqué en utilisant l'ondelette de Morlet complexe
cmor1-0.5. Les résultats sont présentés dans le tableau 4.7. Les taux d'erreur "TE" se situent
entre 0% et 3,86% avec une moyenne de 0.72%, ce qui nous donne un taux de détection total
"TDT" égal à 99.28% de QRS repérés. Globalement parlant, l'algorithme proposé présente un
taux total de détection meilleur. Cependant, le tableau 4.8 montre des taux d'erreur globaux
similaires pour les enregistrements 105, 108, 203 et 208. On peut noter que l'ondelette
fractionnaire complexe offre, elle aussi, une solution attrayante pour la conception
d'algorithmes de traitement du signal ECG utilisant la transformée en ondelettes continue.
Les figures 4.35 à 4.39 exposent des échantillons de détection du complexe QRS concernant
les mêmes enregistrements précédents. Encore une fois, le signal 100.dat n'a pas été tracé :
- dans la figure 4.35, on certifie que le test de passage par zéro élimine les pics correspondant
aux sauts abrupts de la ligne de base ;
- l'enregistrement de la figure 4.36 est sans anomalie. Un taux d'erreur de 0% confirme la
simplicité de traitement pour ce signal ;
- là aussi, le test de passage par zéro participe à la réduction du taux de fausses détections ;
quoique, il reste sans intérêt face à une situation où les QRS sont ratés à cause de leurs
amplitudes faibles. Donc, le signal de la figure 4.37 reporte les déficiences pour ce cas ;
- la figure 4.38 présente des ondes P de grandes amplitudes. Ceci a occasionné, encore une
fois, un taux d'erreur de 3.35%. Cependant, la qualité du détecteur est acceptable ;
- dans la figure 4.39, l'extrasystole ventriculaire (ESV) de faible amplitude n'a pas, également,
été détectée par l'algorithme. Pourtant, et pour ce signal très bruité, on a obtenu un taux
d'erreur convenable.
114
Chapitre 4 Ondelettes fractionnaires pour la détection du complexe QRS
Tableau 4.6. Résultats de la détection du complexe QRS testée sur la base MIT-BIH.
Troisième application : ondelette complexe ccol.
N° Enr. NBT FN FP Se (%) P+ (%) TE (%)
100 2273 1 0 99,96 100,00 0,04
101 1865 2 0 99,89 100,00 0,11
102 2187 0 0 100,00 100,00 0,00
103 2084 3 0 99,86 100,00 0,14
104 2229 2 0 99,91 100,00 0,09
105 2572 30 32 98,83 98,76 2,41
106 2027 12 6 99,41 99,70 0,89
107 2137 9 1 99,58 99,95 0,47
108 1763 34 25 98,07 98,57 3,35
109 2532 2 0 99,92 100,00 0,08
111 2124 8 1 99,62 99,95 0,42
112 2539 0 0 100,00 100,00 0,00
113 1795 0 0 100,00 100,00 0,00
114 1879 15 1 99,20 99,95 0,85
115 1953 0 0 100,00 100,00 0,00
116 2412 25 1 98,96 99,96 1,08
117 1535 1 0 99,93 100,00 0,07
118 2278 0 0 100,00 100,00 0,00
119 1987 0 4 100,00 99,80 0,20
121 1863 2 0 99,89 100,00 0,11
122 2476 0 0 100,00 100,00 0,00
123 1518 0 0 100,00 100,00 0,00
124 1619 0 0 100,00 100,00 0,00
200 2601 3 2 99,88 99,92 0,19
201 1963 46 0 97,66 100,00 2,34
202 2136 14 0 99,34 100,00 0,66
203 2980 80 30 97,32 98,98 3,69
205 2656 5 0 99,81 100,00 0,19
207 1860 28 0 98,49 100,00 1,51
208 2955 21 14 99,29 99,53 1,18
209 3004 3 5 99,90 99,83 0,27
210 2650 26 5 99,02 99,81 1,17
212 2748 0 0 100,00 100,00 0,00
213 3251 7 0 99,78 100,00 0,22
214 2261 9 8 99,60 99,65 0,75
215 3363 0 3 100,00 99,91 0,09
217 2208 4 1 99,82 99,95 0,23
219 2154 6 0 99,72 100,00 0,28
220 2048 0 0 100,00 100,00 0,00
221 2427 3 3 99,88 99,88 0,25
222 2483 38 2 98,47 99,92 1,61
223 2605 6 0 99,77 100,00 0,23
228 2053 21 22 98,98 98,93 2,09
230 2256 0 2 100,00 99,91 0,09
231 1571 0 0 100,00 100,00 0,00
232 1780 3 0 99,83 100,00 0,17
233 3079 3 0 99,90 100,00 0,10
234 2753 0 0 100,00 100,00 0,00
Totaux → 109492 472 168 99,57 99,85 0.58
115
Chapitre 4 Ondelettes fractionnaires pour la détection du complexe QRS
Tableau 4.7. Résultats de la détection du complexe QRS testée sur la base MIT-BIH.
Troisième application : ondelette complexe cmor1-0.5.
N° Enr. NBT FN FP Se (%) P+ (%) TE (%)
100 2273 0 0 100,00 100,00 0,00
101 1865 1 3 99,95 99,84 0,21
102 2187 0 0 100,00 100,00 0,00
103 2084 3 0 99,86 100,00 0,14
104 2229 5 4 99,78 99,82 0,40
105 2572 28 35 98,91 98,64 2,45
106 2027 19 1 99,06 99,95 0,99
107 2137 10 21 99,53 99,02 1,45
108 1763 39 29 97,79 98,35 3,86
109 2532 12 2 99,53 99,92 0,55
111 2124 5 4 99,76 99,81 0,42
112 2539 0 0 100,00 100,00 0,00
113 1795 1 0 99,94 100,00 0,06
114 1879 12 24 99,36 98,73 1,92
115 1953 0 0 100,00 100,00 0,00
116 2412 25 4 98,96 99,83 1,20
117 1535 0 1 100,00 99,93 0,07
118 2278 0 1 100,00 99,96 0,04
119 1987 0 1 100,00 99,95 0,05
121 1863 2 1 99,89 99,95 0,16
122 2476 0 1 100,00 99,96 0,04
123 1518 3 0 99,80 100,00 0,20
124 1619 2 0 99,88 100,00 0,12
200 2601 3 3 99,88 99,88 0,23
201 1963 51 1 97,40 99,95 2,65
202 2136 9 1 99,58 99,95 0,47
203 2980 53 42 98,22 98,59 3,19
205 2656 5 0 99,81 100,00 0,19
207 1860 42 8 97,74 99,56 2,69
208 2955 32 6 98,92 99,8 1,29
209 3004 0 3 100,00 99,90 0,10
210 2650 34 5 98,72 99,81 1,47
212 2748 0 0 100,00 100,00 0,00
213 3251 5 0 99,85 100,00 0,15
214 2261 6 6 99,73 99,73 0,53
215 3363 13 0 99,61 100,00 0,39
217 2208 13 11 99,41 99,50 1,09
219 2154 6 0 99,72 100,00 0,28
220 2048 0 0 100,00 100,00 0,00
221 2427 6 0 99,75 100,00 0,25
222 2483 5 3 99,80 99,88 0,32
223 2605 55 1 97,89 99,96 2,15
228 2053 33 29 98,39 98,58 3,02
230 2256 0 0 100,00 100,00 0,00
231 1571 0 0 100,00 100,00 0,00
232 1780 0 2 100,00 99,89 0,11
233 3079 1 0 99,97 100,00 0,03
234 2753 1 0 99,96 100,00 0,04
Totaux → 109492 540 253 99,51 99,77 0,72
116
Chapitre 4 Ondelettes fractionnaires pour la détection du complexe QRS
2
(a)
-2
-4
0 500 1000 1500 2000 2500 3000 3500
1.5
FN
1
(b)
0.5
0
0 500 1000 1500 2000 2500 3000 3500
1.5
1
(c)
0.5
0
0 500 1000 1500 2000 2500 3000 3500
Nombre d'échantillons
117
Chapitre 4 Ondelettes fractionnaires pour la détection du complexe QRS
(a) 0.5
-0.5
-1
0 500 1000 1500 2000 2500 3000 3500 4000
1.5
1
(b)
0.5
0
0 500 1000 1500 2000 2500 3000 3500 4000
1.5
1
(c)
0.5
0
0 500 1000 1500 2000 2500 3000 3500 4000
Nombre d'échantillons
2
(a)
-2
-4
0 500 1000 1500 2000 2500 3000 3500 4000 4500 5000
1.5
FN FN FN FN
1
(b)
0.5
0
0 500 1000 1500 2000 2500 3000 3500 4000 4500 5000
1.5
1
(c)
0.5
0
0 500 1000 1500 2000 2500 3000 3500 4000 4500 5000
Nombre d'échantillons
118
Chapitre 4 Ondelettes fractionnaires pour la détection du complexe QRS
0
(a)
-1
-2
0 500 1000 1500 2000 2500 3000 3500 4000
1.5
FN
1
(b)
0.5
0
0 500 1000 1500 2000 2500 3000 3500 4000
1.5
1
(c)
0.5
0
0 500 1000 1500 2000 2500 3000 3500 4000
Nombre d'échantillons
1
(a)
-1
-2
0 500 1000 1500 2000 2500 3000 3500 4000 4500 5000
1.5
FN FN
1
(b)
0.5
0
0 500 1000 1500 2000 2500 3000 3500 4000 4500 5000
1.5
1
(c)
0.5
0
0 500 1000 1500 2000 2500 3000 3500 4000 4500 5000
Nombre d'échantillons
119
Chapitre 4 Ondelettes fractionnaires pour la détection du complexe QRS
120
Chapitre 4 Ondelettes fractionnaires pour la détection du complexe QRS
Nbre total de
Méthode utilisée FN FP TE (%) Observations
battements
Chen et al. [19] 102654 459 529 0,96 106, 108, 228 exclus
* Valeurs recalculées à cause des anomalies qui existent dans les résultats fournis par les auteurs.
121
Chapitre 4 Ondelettes fractionnaires pour la détection du complexe QRS
Enregistrement
FN FP TE (%) FN FP TE (%)
122
Chapitre 4 Ondelettes fractionnaires pour la détection du complexe QRS
4.7. Conclusion
123
Conclusion générale
Conclusion Générale
124
Conclusion générale
1. Conclusion
Dans cette thèse, nous avons abordé le problème de la détection du complexe QRS du
signal ECG par une approche basée sur la transformée en ondelettes utilisant des ondelettes
fractionnaires réelles et complexes. Ces ondelettes ont été construites par dérivation et
modulation de la distribution de Cole-Cole. Cette fonction de Cole-Cole est largement utilisée
dans la modélisation mathématique des systèmes d'ordre fractionnaires. Plus précisément, il
s'agit, dans le domaine du traitement de signal, d'ondelettes fractionnaires permettant de
détecter les instants d'occurrence des pics R des signaux ECG, et dans le domaine
mathématique, d'une nouvelle famille d'ondelettes avec des facultés acceptables. Il existe bien
d'autres travaux antécédents et similaires donnant des résultats meilleurs, mais l'originalité de
l'approche que nous avons présentée est qu'elle est basée, seulement, sur ces ondelettes
fractionnaires sans avoir recours à d'autres techniques supplémentaires (filtrage linéaire et non
linéaire, réseaux de neurones, logique floue, algorithmes génétiques, ...).
Nous avons, tout d'abord, donné certains concepts sur l'électrophysiologie cardiaque et le
fonctionnement mécanique et électrique du cœur. Le signal électrique cardiaque (ECG) est la
représentation des potentiels dus aux courants électriques qui circulent dans le cœur. Il est
enregistré à partir de la peau par des électrodes.
Nous avons, ensuite, introduit la théorie des ondelettes. Les définitions et les propriétés de ces
dernières ont été largement développées en s'appuyant sur des exemples de familles
d'ondelettes les plus connues dans la littérature.
En tenant comptes de ces définitions et propriétés, nous avons présenté notre famille
d'ondelettes fractionnaires basées sur la distribution de Cole-Cole. Elles sont construites par
dérivation et modulation de cette fonction. Pour illustrer leurs facultés et propriétés, nous
avons proposé une analyse continue par transformée en ondelettes de quelques types de
signaux qui présentent des discontinuités et des singularités, bref des irrégularités
occasionnelles. Cela nous a permis de dévoiler leurs capacités à se focaliser sur ces
singularités et ces discontinuités en permettant une meilleure détection et une meilleure
description.
Après cette étude préliminaire, nous avons développé un algorithme de détection du
complexes QRS basé sur la transformée en ondelettes. Les ondelettes utilisées constituent la
famille d'ondelettes fractionnaires créées. En se basant sur la bande passante du complexe
QRS, la transformée en ondelettes est appliquée pour des échelles de décomposition les plus
125
Conclusion générale
favorables à la détection du complexe QRS. Sur les signaux obtenus, une transformation non
linéaire est réalisée en accomplissant leur produit afin d'accentuer les pics R et réduire, par la
même occasion, l'effet du bruit résiduel. Le signal à seuiller est obtenu en appliquant la
méthode des maxima du module de la transformée en ondelettes sur ce produit de manière à
obtenir seulement un seul pic pour chaque complexe QRS. Des seuils de détection adaptatifs,
en amplitude et en temps, sont calculés pour une meilleure détection du complexe QRS en
minimisant les fausses alarmes et les non détections.
Trois ondelettes ont été mises en œuvre sur les signaux tests de la base de données standard
MIT-BIH : l'ondelette cole2 seule, puis cole2 et cole1 et enfin, l'ondelette complexe ccol.
L'application avec l'ondelette cole2 n'a pas révélé des résultats prometteurs surtout avec les
signaux tests les plus difficiles, ce qui nous a poussé à les écarter. L'utilisation de l'ondelette
cole2 associée à l'ondelette cole1 ne laisse aucun doute sur l'augmentation de performance en
terme de pourcentage de détection et de réduction du taux de fausse alarme qu'elle entraîne.
Ceci montre bien que le test de passage par zéro, introduit dans l'étape de décision, a un rôle
primordial sur la qualité du détecteur. C'est cette même méthode qui est employée dans la
troisième application utilisant l'ondelette complexe ccol en substituant, respectivement, les
ondelettes cole2 et cole1 par la partie réelle de ccol et sa partie imaginaire. Ces trois
applications ont permis de détecter plus de 99% des complexes QRS. Cet aboutissement nous
permet de classer ces algorithmes parmi ceux qui présentent un taux supérieur à 99% de
détection. Pour une première comparaison, des analyses ont été faites en se servant des
ondelettes présentant des similitudes avec nos ondelettes fractionnaires, à savoir : gaus2,
gaus1 et cmor. Les résultats établis, pour les trois ondelettes, montrent une certaine analogie
en ce qui concerne le taux de détection total et une légère primauté des ondelettes gaus2,
gaus1 et cmor en consultant les résultats obtenus pour les signaux tests les plus difficiles de la
base de données. En comparant les performances de nos algorithmes exposés avec celles des
méthodes les plus populaires en ce domaine et utilisant la même base de signaux tests, nos
solutions présentent quelques avantages et peuvent être réparties parmi les résultats les plus
performants.
126
Conclusion générale
2. Perspectives et suggestions
127
Références
Références
128
Références
129
Références
[15] Y. Ferdi, J.P. Herbeuval and A. Charef. R-wave detection using fractional digital
differentiation. ITBM-RBM, 24: 273-280, 2003.
[16] P.S. Hamilton and W.J. Tompkins. Quantitative investigation on QRS detection rules
using the MIT/BIH arrhythmia database. IEEE Trans. Bio. Eng., 33: 1157-1165, 1986.
[17] S. Kadambi, R. Murray and G.F. Boudreaux-Bartels. Wavelet transform-based QRS
complex detector. IEEE Trans. Biomed. Eng.; 47(7), pp. 838-848, 1999.
[18] I. Romero Legarreta et al. R-wave detection using continuous wavelet modulus maxima.
Computer in Cardiology; 30: 565-568, 2003.
[19] S-W Chen, H-C Chen and H-L Chan. A real-time QRS detection method based on
moving-averaging incorporating with wavelet denoising. Comput. Methods Programs
Biomed.; 82, pp. 187-195, 2006.
[20] J.C. Moraes, M.M. Freitas, F.N. Vilani and E.V. Costa. A QRS complex detection
algorithm using electrocardiogram leads, Computers in Cardiology, pp. 205-208, 2002.
[21] O. Fokapu and J.P. Girard. Evolution temporelle et fréquentielle de l'ECG : analyse
battement par battement. ITBM, pp. 102-112, 1994.
[22] R. Le Page. Détection et analyse de l'onde P d'un ECG: application au dépistage de la
fibrillation auriculaire. Thèse de Doctorat, Université de Bretagne occidentale, 2003.
[23] B-U. Köhler, C. Henning and R. Orglmeister. The principles of software QRS detection.
IEEE Eng. in Med. Biol. Mag.; 21(1) : 42-57, 2002.
[24] D. Tchiotsop. Modélisations polynomiales des signaux ECG. Applications à la
compression. Thèse de Doctorat, Institut Polytechnique de Lorraine, université de
Nancy, 2007.
[25] H.H. Sun, A. Charef, Y.Y. Tsao, and B. Onaral. Analysis of polarization dynamics by
singularity decomposition method. Ann. Biomed. Eng., 20, pp 321-335, 1992.
[26] G.B. Moody and R.G. Mark. The MIT-BIH arrhythmia database on CD-ROM and
software for use with it. In Computers in Cardiology; IEEE Computer Society Press,
185-188, 1990.
[27] D. Dubin. Lecture Accélérée de l'ECG. Maloine édition, Paris, 1999.
[28] A. R. Houghton and D. Gray. Maîtriser l’ECG - de la théorie à la clinique. Masson,
2000.
[29] J. R. Hampton. L’ECG Facile. Sixième édition, EDISEM, Maloine, Paris, 2004.
[30] J. Adamec and R. Adamec. ECG Holter. Manuel d'interprétation électrocardiographique.
Médecine & Hygiène, 2000.
130
Références
[31] S. Mallat. Une exploration des signaux en ondelettes. Editions de l'Ecole Polytechnique,
Ellipses édition, Paris, 2000.
[32] B. Burke Hubbard. Ondes et Ondelettes. La saga d’un outil mathématique. Pour la
Science, Belin, Paris, 1995.
[33] Y. Meyer. Ondelettes et opérateurs I - Ondelettes. Hermann, Paris, 1990.
[34] M. Misiti, Y. Misiti, G. Oppenheim, and J.M. Poggi. Les ondelettes et leurs applications.
Edition Hermès Science, Paris, 2003.
[35] P. Flandrin. Temps fréquence. Traité des Nouvelles Technologies, série Traitement du
Signal. Hermès, Paris, 1993.
[36] A. Ouafi. Compression d'images fixes biomédicales par les transformées en ondelettes
associées aux algorithmes de quantification vectorielle et de codage entropique. Thèse
de Magister, Université Mohamed Khider, Biskra, 2001.
[37] S. Mallat. A theory of multiresolution signal decomposition: the wavelet representation.
IEEE Trans. Pattern Anal. Mach. Intel., vol.11, no. 7, pp. 674-693, July 1989.
[38] S. Mallat and W.L. Hwang. Singularity detection and processing with wavelets. IEEE
Trans. Inf. Theory, 38, pp 617-643, 1992.
[39] O. Le Cadet. Méthodes d'ondelettes pour la segmentation d'images. Applications à
l'imagerie médicale et au tatouage d'images. Thèse de Doctorat, Institut National
Polytechnique de Grenoble, septembre 2004.
[40] H. Nezzari, A. Charef and M. Benmalek. Introduction d’une fenêtre de pondération
d’ordre fractionnaire. In the Proceedings of CNIE’04, Oran, Algérie, décembre 2004.
[41] A. Charef. Modeling and analog realization of the fundamental linear fractional order
differential equation. Nonlinear Dynamics, N° 46, N°1-2, October 2006.
[42] S. Mallat. Zero crossings of wavelet transform. IEEE Trans. Infor. Theory, 31, pp 1019-
1033, 1991.
[43] F. Abdelliche and A. Charef. Application d’une nouvelle famille d’ondelettes
fractionnaires basées sur la fonction de Cole-Cole. 1ère Conférence Nationale sur les
Systèmes d’Ordre Fractionnaire et leurs Applications, 18-19 Mai 2010, Skikda, Algérie.
[44] G.M. Friesen, T.C. Jannett, M.A. Jadallah, S.L. Yates, S.R. Quint and H.T. Nagle. A
comparison of the noise sensitivity of nine QRS detection algorithms. IEEE Trans.
Biomed. Eng.; 37: 85-98, 1990.
[45] Q. Xue, Y. H. Hu, and W. J. Tompkins. Neural-network-based adaptive matched
filtering for QRS detection. IEEE Trans. Biomed. Eng., vol. 39, pp. 317-329, 1992.
131
Références
[46] R. Poli, S. Cagnoni and G. Valli. Genetic design of optimum linear and nonlinear QRS
detectors. IEEE Trans. Biomed. Eng., 42: 1137-1141, 1995.
[47] P. Augustyniak. Time-frequency modelling and discrimination of noise in the
electrocardiogram, Physiol. Meas., Vol.24, pp. 753-767, 2003.
[48] N.V. Thakor, J.G. Webstor and W.J. Tompkins. Estimation of QRS complex power
spectra for design of a QRS filter. IEEE Trans. Biomed. Eng.; Vol. 31, 11: 702-705,
1984.
[49] Y. Ferdi. Analyse et compression du signal électrocardiographique (ECG) par des
algorithmes basés sur la dérivation non entière. Thèse de Doctorat. Université de
Constantine, Algérie, 2001.
[50] M. Benmalek and A. Charef. Digital fractional order operators for R-wave detection in
ECG signal. IET proceedings on Signal Processing, Vol. 3, issue 5, pp. 381-391, 2009.
[51] A. I. Manriquez. Segmentation de l'électrocardiogramme pour la modélisation de la
dynamique du QT lors de l'exercice du handgrip. Thèse de Doctorat, université de
Rennes 1, 2008.
[52] F. Abdelliche, A. Charef, M.L. Talbi and M. Benmalek. A fractional wavelet for QRS
detection. 2nd International Conference ICTTA'06, 24-28 April 2006, Damascus, Syria.
[53] F. Abdelliche and A. Charef. Fractional wavelet for R-wave detection in ECG signal.
Critical Reviews in Biomedical Engineering, 36(2), pp. 79-91, 2008.
[54] F. Abdelliche and A. Charef. R-Peak detection using a complex fractional wavelet.
ELECO 2009, 6th International Conference on Electrical and Electronics Engineering, 5-
8 November, Bursa, Turkey, 2009.
[55] R. Jané, P. Laguna, P. Caminal and H. Rix. Adaptive filtering of high-resolution ECG
signals. Computers in Cardiology Proceedings, 23-26 Sept.; 347-350, 1990.
[56] B.M. Sadler and A. Swami. Analysis of multiscale products for step detection and
estimation. IEEE Trans. Infor. Theory; 45: 1043-1051, 1999.
[57] F. Zhang and Y. Lian. Novel QRS Detection by CWT for ECG Sensor. IEEE
Biomedical Circuits and Systems Conference, BIOCAS 2007, pp. 211-214, 2007.
[58] I. Christov. Real time electrocardiogram QRS detection using combined adaptive
threshold, BioMedical Engineering OnLine, vol.3, no.28, 2004.
[59] Y-C Yeh and W-J Wang. QRS complexes detection for ECG signal: The difference
operation method. Computer Methods and Programs in Biomedicine (91), pp. 245-254,
2008.
132
Références
Résumé
133
Références
Abstract
The electrocardiogram (ECG) is the signal that represents the variations of the electrical
activity of the heart as function of time. The QRS complex is the most covetous wave in the
ECG analysis. QRS detection is of vital importance in the ECG automatic processing. The
QRS detection difficulties lie, essentially, in the physiological and morphological variability
of the ECG signal along with the noise contamination from various sources. Numerous
detection algorithms exist in the literature. The detection operation is, in general, realized in
two steps: a pre-processing step and a detection step. The pre-processing step gives a train of
impulsions which will be classified as QRS complexes or noise. The work realized in this
thesis presents an ECG signal processing and QRS complex detection algorithm based on the
continuous wavelet transform using proposed fractional wavelets. These fractional wavelets
are wavelets derived from the derivatives and modulation of the Cole-Cole distribution
function of relaxation times which is widely used in mathematical modelling of fractional
order systems. Two pro-processing and R wave detection experiments have been evaluated
using the MIT-BIH database. A real fractional wavelet has been used in the first experiment
and the second one has used a complex fractional wavelet. The proposed algorithms
performances have been measured in terms of non detection, false alarm, detection delay and
the number of mathematical operations. The obtained results have been very satisfactory and
comparable to the most high performance algorithms which use the MIT/BIH database.
134
Références
%
) $ 1) 5 #
$
.MIT-BIH database
8
)
2
(
3(
8' :
% AB
)
:
C .
) $
(
:
;
1 $ ' /%
:
.(
>
.
'
<2! 5'
QRS
'
3
) $ 3Cole-Cole
3(ECG)
:
.$ %
3QRS
135